Bibliographic record
Abstract
L’espace blanc, envisagé ici comme une surface vide, souvent ignoré, est pourtant un élément essentiel de la structuration et de la mise en texte, en page et en livre à l’époque médiévale. Trois exemples, de la plus petite à la plus grande surface concernée, permettent ici de l’envisager, en présentant des champs de réflexion à développer. Ainsi le blanc entre les mots, réévalué par les linguistes avec notamment les travaux de Nelly Andrieux-Reix et Simone Monsonego, est aujourd’hui considéré comme un outil pour appréhender la conscience linguistique des copistes ; il pourrait ainsi permettre de nouvelles approches dans les manuscrits écrits dans des zones de contact linguistique, comme les manuscrits copiés en Italie. Le trou dans le support manuscrit peut quant à lui être utilisé dans des mises en scène esthétiques et graphiques complexes, qui font écho et dialoguent avec le texte copié autour de lui, comme on le voit dans le Roi Flore et la belle Jeanne, lors de la scène du bain interrompu par Raoul (Paris, BnF, fr. 24430). Enfin, l’utilisation d’espaces blancs et la distribution et l’agencement des éléments sur la page (module des écritures, rubriques, place des illustrations, présence ou non de bouts-de-lignes) dans le Double Lai de fragilité humaine du BnF, fr. 20029 permet à Eustache Deschamps d’infléchir l’un des dispositifs de mise en page utilisés pour les traductions. Il inverse ainsi en partie le statut attendu dans ces mises en page pour les deux textes mis en regard.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.012 | 0.009 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.005 | 0.010 |
| Insufficient payload (model declined to judge) | 0.040 | 0.010 |
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".