Protest, Trauma, and Identity: Using Projective Techniques to Study the Formation of Collective Identity among Belarusian Protesters of 2020
Bibliographic record
Abstract
Tato disertační práce zkoumá transformaci kolektivní identity mezi Bělorusy, kteří se účastnili masových protestů v roce 2020 nebo je podporovali. Po prezidentských volbách v srpnu 2020 se vlna pokojných masových protestů setkala s bezprecedentním státním násilím, které vedlo k rozkolu ve společnosti, jenž je patrný i půl desetiletí po těchto událostech. Tato studie zkoumá, jak události roku 2020 vedly k formování zřetelné kolektivní identity, která se nezrodila z tradičních etnických či kulturních markerů, ale ze sdílené zkušenosti, kolektivního traumatu, a byla udržována prostřednictvím společných cílů a hodnot. Ústředním argumentem je, že násilné potlačení protestů a následné kolektivní trauma se staly katalyzátory pro formování nové identity. Trauma nevedlo k rozpadu hnutí, ale místo toho vytvořilo ostrý rozdíl mezi protestujícími ("my") a těmi, kteří byli loajální režimu ("oni"), a přispělo k formování nové identity. Tato disertační práce dále zkoumá optikou teorie sociálních reprezentací, jak byla původně na protestech založená kolektivní identita udržena i po potlačení protestů. Tento výzkum integruje tři doplňkové teoretické rámce: teorii Alberta Melucciho o formování kolektivní identity prostřednictvím kolektivní akce, práci Piotra Sztompky o kulturním traumatu a teorii sociálních...
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 | 0.004 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.000 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".