MétaCan
Menu
Back to cohort
Record W2030892575 · doi:10.7202/012051ar

Pratiquer la poésie/enseigner la littérature

2005· article· fr· W2030892575 on OpenAlexvenueno aff
Michel Murât

Bibliographic record

VenueÉtudes françaises · 2005
Typearticle
Languagefr
FieldComputer Science
TopicCultural Insights and Digital Impacts
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesArtPhilosophy

Abstract

fetched live from OpenAlex

La thèse développée dans cet article est que la pratique dominant les études universitaires, celle de « l’analyse de la poésie », est vouée à l’inefficacité par le fait même qu’on ne lit pas la poésie comme un roman ou un essai, et qu’elle nécessite des procédures différentes d’appropriation. L’activité d’enseignement en est une, satisfaisante pour nous mais impossible à transmettre telle quelle. Pour faire pratiquer la poésie aux étudiants, on propose donc deux pistes : la fabrication d’anthologies (constitution de corpus, sélection et agencement du recueil, mise en page et confection du livre) et la déclamation orale, éventuellement « scénographiée », pratique mieux adaptée aux poèmes longs. La poésie doit aussi faire partie d’un enseignement de la littérature. Sur ce plan on suggère, sans renoncer à la stylistique et à la rhétorique des figures, de mettre l’accent sur la transmission et la transformation de la topique ; de travailler sur les variantes, en s’inspirant des récentes éditions « pluriversionnelles » ; de s’intéresser à la carrière des poètes et à l’activité des revues. Quant à la recherche universitaire, un bilan de la production récente des thèses de doctorat en France montre qu’elle est enfermée dans le cercle de la littérarité. Il est urgent de l’ouvrir à une histoire qui serait à la fois celle de la poésie, en tant que répertoire de thèmes et de formes, et celle des poètes envisagés comme hommes de lettres.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Scholarly communication, Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Other · Consensus signal: none
Teacher disagreement score0.931
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.001
Science and technology studies0.0000.000
Scholarly communication0.0030.005
Open science0.0010.000
Research integrity0.0000.001
Insufficient payload (model declined to judge)0.0000.001

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.

Opus teacher head0.079
GPT teacher head0.283
Teacher spread0.204 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designNot applicable
Domainnot available
GenreOther

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".

Quick stats

Citations1
Published2005
Admission routes1
Has abstractyes

Explore more

Same venueÉtudes françaisesSame topicCultural Insights and Digital ImpactsFrench-language works237,207