El poble de Txernòbil: una comunitat de pèrdues a l’Oració de Txernòbil de Svetlana Aleksievich
Bibliographic record
Abstract
Svetlana Aleksievich va realitzar centenars d’entrevistes amb els afectats per l’explosió a la central nuclear de Txernòbil a Ucraïna i la seva Bielorússia natal i les va reunir en la seva novel·la de 1997 L’oració de Txernòbil. Una crònica del futur. Aleksievich, guardonat amb el Premi Nobel de Literatura el 2015, va crear una barreja polifònica complexa d’història oral i literatura i va proporcionar una narrativa fragmentada i diversa de la memòria, el trauma i el victimisme. L’article examina la interpretació d’Aleksievitx de les maneres en què «la gent de Txernòbil» transmet la seva pròpia comprensió d’aquesta identitat. Les moltes veus de la novel·la d’Aleksievitx s’uneixen per parlar del que Serguei Oushakine anomena una comunitat de pèrdua. L’article recorre l’articulació de la seva identitat: des de la recerca frustrada d’eines discursives i punts de referència adequats, fins a la sensació explícita d’haver format una entitat social única, una comunitat. Aquesta transició també és una progressió, a través del procés d’articulació i anàlisi, d’una identitat negativa, definida per la pèrdua i un canvi radical d’estatus, a una millorada per la consciència filosòfica i ambiental. Això també és un canvi de la visió del món i la identitat soviètica dominant a altres perspectives més complexes, encara que menys reconfortants.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.010 | 0.014 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.007 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".