« Gagne-t-on vraiment à mieux connaître? » : autoethnographie queer de mon expérience d'intervention antihomophobie avec le GRIS-Montréal
Bibliographic record
Abstract
Ce mémoire autoethnographique a pour sujet mon expérience personnelle comme intervenant communautaire avec le GRIS-Montréal (GRIS), organisme d’éducation antihomophobie oeuvrant principalement dans les écoles secondaires de la grande région de Montréal. Le GRIS adopte une stratégie éducative issue de ce qu’on pourrait appeler le discours antihomophobie dominant, qui vise l’interruption des préjugés homophobes en milieu secondaire en créant des situations de rencontre avec des personnes lesbiennes, gaies ou bisexuelles (LGB). Ces rencontres sont supposées souligner le caractère commun d’humanité et de rationalité partagé entre les intervenant.e.s et les jeunes, et ainsi favoriser une neutralisation de l’homophobie au travers d’une reconnaissance mutuelle. Ce caractère commun passe souvent par des modalités dites hétéronormatives, comme la référence à la monogamie, au mariage, à la parentalité ou à la domesticité. Pour ce faire, le GRIS envoie ses intervenant.e.s en classe dans le cadre d’interventions basées sur la pratique du témoignage sexuel et intime : nous sommes donc chargé.e.s de répondre aux questions des élèves sur les sexualités et les identités LGB à partir de nos expériences de vie respectives. Je problématise cette méthode d’éducation en la contrastant avec des approches pédagogiques queer et anti-oppressives, selon lesquelles le recul des attitudes phobiques et oppressives passe plutôt par un travail réflexif critique permettant de dévoiler les mécanismes des structures d’oppression et de marginalisation et d’observer nos propres complicités avec elles. Orienté par des perspectives théoriques et épistémologiques issues des études queer en communication, en sociologie et en pédagogie, et appliquant une méthodologie autoethnographique qui demande une réflexivité critique face à mon double positionnement de chercheur queer et d’intervenant, j’ai effectué, à l’automne 2017, une série de dix interventions avec le GRIS au travers de laquelle j’ai interrogé et observé ma capacité, ou mon incapacité, à articuler une approche pédagogique queer avec une pratique d’intervention basée sur la mise en récit de soi.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.012 | 0.012 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".