Bibliographic record
Abstract
Dentro il libro è un viaggio semiotico-letterario nei processi e nelle pratiche che accompagnano la nascita e di un libro sino alla sua pubblicazione, esplorandone tutti gli aspetti che lo identificano come oggetto sia fisico che simbolico. L’autrice, Alberta Zancudi, fa riferimento in modo privilegiato da un lato al libro propriamente inteso (un testo stampato in pagine cartacee e confezionato per diventare il volume che troviamo negli scaffali delle librerie), dall’altro a un testo di narrativa (con i caveat precisati nel quinto capitolo relativamente all’equivoco sulla scrittura creativa). Ma i suggerimenti, le considerazioni, gli “avvisi” che avete trovato nel volume (se siete arrivati a questa postfazione dopo averlo letto, altrimenti tornate indietro e leggetelo prima di andare avanti), sono utili, e a volte necessari, anche per le evoluzioni che il libro “tradizionale” vive nel mondo dell’editoria digitale e per qualunque testo scritto che voglia essere comunicativamente efficace oltre che corretto. In questa post-fazione mi riprometto di esplicitare perché e in che modo i principi illustrati siano importanti per chiunque si occupi di scrittura, soprattutto per chi scrive testi in ambito professionale, anche in canali e formati diversi da quelli del libro.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.015 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.108 | 0.026 |
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".