Contemporary Crises, Historical Antecedents: Refusing Vulnerability in Indigenous Speculative Fictions
Notice bibliographique
Résumé
Cherie Dimaline’s (Métis) Empire of Wild (2019) and Jessica Johns’s (Cree) Bad Cree (2023) refuse to frame the violent events at their centre as isolated or incidental. Instead, authors situate crises within the long historical continuum of settler-colonialism and its impact on Indigenous communities in Canada. Catriona Mackenzie et al.’s expansive intersectional taxonomy of vulnerability defines its pathogenic variant as emerging from entrenched ‘sociopolitical oppression or injustice.’ Pathogenic vulnerability demonstrates how specific groups can experience conditions that render them more vulnerable to violence. In this article, I argue Dimaline and Johns utilise speculative tropes to interrogate widespread decontextualised state narratives of individual vulnerability. Violent events are alternatively narrated as products of their specific context – the conditions of pathogenic vulnerability conferred upon Indigenous peoples in settler-colonial nations. A central protagonist’s individual search for truth foregrounds narrative engagement with contemporary issues facing communities – Murdered and Missing Indigenous Women, Girls and Two-Spirit People (MMIWG2s) statistics, land grabs, state-sponsored industrialism and environmental and psychological devastation within post-extraction communities. Yet authors resist reasserting victim paradigms or employing a reconciliatory politics. Speculative tropes instead encourage what Jo-Ann Archibald (Stó:lō) calls storywork. Such tropes, which denaturalise violent encounters, encourage lateral thinking via nested narratives/metanarratives and embed both traditional monsters and alternative worlds, instigate storywork through inciting deeper reader engagement while foregrounding Indigenous agency, knowledge and resistance.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,018 | 0,066 |
| Communication savante | 0,013 | 0,012 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».