Punition, blâme et stigmate dans une Irlande du Nord post-conflit : l’expérience d’anciens prisonniers politiques
Bibliographic record
Abstract
Le présent article examine la relation entre la politique du blâme et le traitement des anciens prisonniers politiques dans l’Irlande du Nord post-conflit. S’appuyant sur des exemples de discrimination directe et indirecte tant dans les secteurs de l’emploi que dans l’accès aux services de santé mentale, l’article porte sur la façon dont l’opération discursive du blâme conduit à évacuer en même temps qu’à établir des culpabilités. Il soutient que l’octroi de tels blâmes a eu des conséquences matérielles très concrètes sur l’allocation des ressources, le refus de les allouer ou encore l’attribution des charges dans la communauté. L’article note aussi que la « cause des victimes » est souvent récupérée par la presse et d’autres acteurs politiques pour leurs propres intérêts, fréquemment en vue de bloquer la distribution de ressources publiques à un groupe particulier d’anciens combattants : les anciens prisonniers politiques. Il conclut en posant une série de questions au sujet du blâme, de la justice et de l’autorité morale de la victime dans un contexte de justice transitionnelle. L’article vise essentiellement à offrir quelques pistes de lecture pour comprendre la relation entre processus de blâme, stigmatisation et exclusion sociale.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.012 | 0.007 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".