Réflexions sur la rencontre de la recherche scientifique et de la fiction dans le contexte de la violence génocidaire. Autour du roman « Un Silence de pierre et de cendre » de Muriel Paradelle
Bibliographic record
Abstract
Pourquoi vouloir parler de sa recherche et, surtout, avoir le désir de la transmettre à travers un roman, et, qui plus est, un roman policier ? Quels ont été les défis rencontrés tant au niveau de la recherche que de la narration fictionnelle, et, en contrepartie, quels ont été les apports de cette écriture autre ? Telles sont les interrogations auxquelles cet essai entend répondre, qui s’intéresse à la rencontre de la recherche scientifique — ici, en droit et sociologie du droit — avec la littérature de fiction, lorsque ces deux discours sont, en outre, aux prises avec un objet de recherche dérangeant de par sa nature, son ampleur et sa gravité, à savoir l’extrême de la violence génocidaire. L’apport du présent article à la réflexion réside essentiellement dans l’approche « de l’intérieur » de la problématique, puisque l’auteure s’est elle-même lancée dans cette aventure d’écriture à travers un roman, en grande partie nourri par ses propres recherches, paru sous le titre Un Silence de pierre et de cendre. Ce faisant, cet essai s’inscrit dans le champ en plein développement des études interdisciplinaires mêlant le domaine des lettres à la sociologie, à l’histoire, au droit…, et qui positionne la littérature au coeur de la circulation des idées.
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 | 0.063 | 0.095 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.020 | 0.090 |
| Scholarly communication | 0.027 | 0.020 |
| Open science | 0.003 | 0.013 |
| Research integrity | 0.013 | 0.022 |
| Insufficient payload (model declined to judge) | 0.005 | 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".