Forgiving European Witches: The Case for Pardons and Memorials
Notice bibliographique
Résumé
Abstract The word witch conjures up a black-cloaked figure with a pointed hat flying on a broomstick, often with green skin and a hooked nose: the epitome of feminine evil. Although this version of witches was popularised in The Wizard of Oz (1939) and commercialised in mid-twentieth-century North American Halloween costumes, conjecture is that it originated from the slightly greenish hue of applying botanical remedies, or the appearance of witches who had endured bruising and painful torture. During the height of the European witch hunts (about 1450–1750, with the greatest intensity 1550–1650), an estimated 40,000–60,000 witches were executed (Levack, 1987). Although some men factored into this death toll, estimates are that 75–80% of witches executed were women (Gibbons, 1998). Fear and persecution of witches exists globally, dating to Ancient Rome, but the more systematic purges were the result of complex forces, including rapid social and economic changes of the Early Modern era, the Reformation, the Little Ice Age and the Plague (Federici, 2014; Golden, 2006). Those perceived as witches, often impoverished, older, single women, were easy scapegoats for society's ills. In recent decades, the depth and accuracy of archival research into witch hysteria have improved. Drawing on this research, this chapter examines the place of witch persecutions in the contemporary context. Although people often recognise the injustice of these persecutions, few countries have granted legal pardons or erected memorials to their victims. Why is the acknowledgement of these injustices so slow coming? What fears about witches do we still harbour?
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».