Reclaiming Voices: Autobiographical Journeys of Bama, Urmila Pawar, and Shantabai Kamble
Notice bibliographique
Résumé
This research article aims to explore the autobiographical narratives of Bama, Urmila Pawar, and Shantabai Kamble, three renowned women writers whose works have challenged societal norms and given voice to marginalized communities. The focus of the study is to analyze their autobiographical works like, Karukku, The Weave of My Life: A Dalit Woman’s Memoir, and The Kaleidoscope Story of My Life as a powerful tools for resistance, redefinition, and recounting of silenced experiences of Dalit women. The article examines the ways in which Bama, Urmila Pawar, and Shantabai Kamble resist social and cultural constraints through their autobiographical writings and it explores how these women redefine their traditional narratives and challenges of dominant discourses through their life stories. This article investigates the role of recounting silenced experiences in fostering empowerment, social change, and cultural understanding of their life. The research analyzes the thematic similarities and differences in the autobiographies of the selected writers and their contributions to feminist and Dalit literature. The research article highlights the significance of reclaiming voices and the transformative potential of autobiographical narratives in addressing social injustices and promoting inclusivity. Despite the recognition of autobiographical writings as powerful tools for marginalized voices, there is a lack of comprehensive study. This article aims to fill this gap by closely examining their works, analyzing how their narratives challenge oppressive structures, and emphasizing the transformative potential of their stories. By doing so, the research aims to contribute to the broader understanding of feminist and Dalit literature and underscores the significance of centering marginalized voices in academic discourse.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,016 | 0,015 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».