Értékelés:
A könyv átfogóan vizsgálja az algoritmikus kritikát a digitális bölcsészettudományokon belül, elméleti és gyakorlati meglátásokat egyaránt bemutatva. Megkérdőjelezi a hagyományos szövegkritikai módszereket, miközben hangsúlyozza az irodalom megértésének innovatív megközelítéseit. Az olvasóknak azonban tisztában kell lenniük azzal, hogy nem nyújt útmutatót a gépek szövegkritikai célú betanításához, ami némi csalódást okozhat.
Előnyök:Hasznos elméleti és gyakorlati perspektívát nyújt az algoritmikus kritikához.
Hátrányok:Magával ragadó viták, amelyek szembeállítják a hagyományos dekonstruktivista módszereket.
(3 olvasói vélemény alapján)
Reading Machines: Toward and Algorithmic Criticism
Az ismerős és már-már hétköznapi feladatokon kívül, amelyeket a számítógépek állandóan végeznek, mire képesek még? Stephen Ramsay érdekes tanulmánya a számítógépes szövegelemzésről azt vizsgálja, hogyan lehet a számítógépeket "olvasógépként" használni, hogy teljesen új lehetőségeket nyisson az irodalomkritikusok számára. A számítógépes szövegelemzést az elmúlt évtizedekben már alkalmazzák a szövegek keresésének, összeválogatásának és indexelésének módjaként.
Ennek ellenére a digitális forradalom nem hatolt be az irodalomtudományok központi tevékenységébe: az írott szövegek értelmező elemzésébe. A számítógépek hatalmas adatmennyiséget képesek kezelni, lehetővé téve a szövegek olyan módon történő összehasonlítását, amely korábban túlságosan megterhelő volt az egyének számára, de a szubjektivitás kritikai értelmezésben betöltött, teljesen szükséges szerepének fokozásában is segítséget nyújthatnak.
A Reading Machines című könyv a számítógépek segítségével végzett szövegelemzés ezen új formájának fontosságát tárgyalja. Ramsay azt sugallja, hogy a számítás merevségét be lehet vonni az intuíció, a szubjektivitás és a játék projektjébe.
© Book1 Group - minden jog fenntartva.
Az oldal tartalma sem részben, sem egészben nem másolható és nem használható fel a tulajdonos írásos engedélye nélkül.
Utolsó módosítás időpontja: 2024.11.13 21:05 (GMT)