Canon littéraire et enseignement de la littérature française au Canada anglais: L'exemple des femmes auteurs
Bibliographic record
Abstract
Cet article aborde la problématique de l'enseignement de la littérature dite classique (pour notre propos, la littérature française du XIXe siècle) dans les universités anglophones au Canada, et propose de nouveaux critères pour la sélection des œuvres à enseigner: ancrage d'une œuvre dans sa propre époque, rapports de cette œuvre à notre époque, et rapports intertextuels. Des remarques sur les théories de la formation du canon littéraire, qui désigne ici le corpus des œuvres enseignées, sont suivies d'observations sur la situation dans les universités canadiennes, en prenant l'exemple de la littérature française du XIXe siècle. Le cas des œuvres de femmes, emblématique dans l'histoire de la formation du canon, est ensuite cité en exemple, avec à l'appui une brève étude des tendances actuelles dans la mise en ligne des textes de femmes, qui confirme le maintien des critères traditionnels sur Internet. Par ailleurs, les nouvelles technologies, en favorisant une réflexion sur le format même des cours de littérature, un format plus éloigné des périodisations et de la notion d'auteur, et plus favorable à une mise en réseaux intertextuels des textes littéraires, sont à même de susciter des changements substantiels dans les programmes et la sélection des œuvres enseignées.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.022 | 0.007 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".