Double Identity in Nova Scotia’s regional short story writing
Bibliographic record
Abstract
Настоящата дисертация изследва проблема на двойната идентичност, пречупен през призмата както на регионалното, така и на късия разказ в канадската провинция на Нова Скотия. Идентичността в своето многообразие се разглежда като постоянно променяща се, постоянно търсеща, постоянно несигурна. Регионалното и проблемите от литературен и културен план само допълнително усложняват този и без друго сложен процес на идентифициране и нормиране. Затова и гласът в дисертацията е колеблив и несигурен, досущ като самата идентичност. Изводите, които са изведени след представянето на трите бинарни опозиции в съответните глави, са най- разнообразни, но като цяло обхващат следните полета: как миналото и настоящето влияят върху изграждането на идентичността и нейната двойнственост; как природния свят влияе в своето невинно и агресивно поведение върху търсенето на самоосъзнаването и идентифицирането на отделните герои; и не на последно място, как външния свят (външен както за регионалния, усамотен свят на островната Нова Скотия, така и външен за провинцията в състава на цяла Канада) си взаимодейства с вътрешния свят както на героите, така и на техните преживявания. В изграждането си на теоретичната си рамка и достигането до гореупоменатите изводи използвах до голяма степен свой собствен модел, който на места подсилвах с вече утвърдени имена като Чарлс Тейлър и Дю Бойс. Изцяло новият прочит на жанра на късия разказ е до голяма степен пионерски и смятам, че е от жизненоважно значение както за лите
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.017 | 0.009 |
| Scholarly communication | 0.010 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| 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".