Bibliographic record
Abstract
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 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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.007 |
| Scholarly communication | 0.010 | 0.010 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
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".