Romans polluciers : fécondité des interactions entre fiction criminelle et savoirs environnementaux dans Poison d’or de Jean-Michel Mariou et Partout le feu d’Hélène Laurain.
Notice bibliographique
Résumé
Deux romans publiés en 2021 et 2022 aux éditions Verdier, Poison d’or de Jean-Michel Mariou et Partout le feu d’Hélène Laurain, illustrent bien le phénomène en hausse d’une appropriation des codes du polar par une littérature dite « blanche ». Les deux textes prennent place dans des collections de grands formats associées à l’invention formelle et abritent un mélange générique. La chronique historique documentée s’invite un chapitre sur deux dans le roman de Jean-Michel Mariou pour retracer, à coup de nombreuses citations d’articles de presse et d’archives, l’histoire réelle de la mine d’or de Salsigne dans l’Aude aux xixe et xxe siècles. Le récit d’Hélène Laurain – en vers libres – fraye parfois avec le poème lyrique épousant la mélodie d’un flux de conscience dont les réflexions portent essentiellement sur les activités à impact environnemental ayant cours en Lorraine, surtout celles liées aux déchets nucléaires. Pourtant, l’un et l’autre des romans abritent une fiction qui les inscrit dans le genre du noir : un crime originel, une enquête policière, une traque. C’est cette hybridation entre documentation environnementale et fiction policière qui nous intéresse ici. Quelles relations s’instaurent entre les deux régimes discursifs et comment le documentaire environnemental prend appui sur la narration criminelle, tire parti de sa contiguïté et puise une fécondité écopoétique dans ses structures ? L’article montre que Jean-Michel Mariou et Hélène Laurain adossent des études de cas liées à une pollution des sols au paradigme indiciaire de l’enquête criminelle afin de tirer de celui-ci une force transgressive et d’inviter à penser le crime contre la terre et la vertu créatrice des cadavres.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».