Bibliographic record
Abstract
Le narrateur du roman Moïse Moïse, Nathan Mausus, grandit au sein d’une famille québécoise déchirée et superstitieuse, mais une figure se démarque à l’intérieur de la cellule familiale : Moïse, de dix ans son frère aîné. Modèle à suivre pour le narrateur et personnage érudit qui contraste avec le reste de la famille Mausus, Moïse brille par son absence. S’il apparaît d’abord comme le personnage le plus sensé dans l’univers de l’enfant, Moïse souffre à l’adolescence d’épisodes psychotiques. Après un séjour à l’hôpital, il quitte le Québec pour étudier à New York, avant d’entamer un tour du monde. Au bout d’un exil de quinze ans, il revient au Québec, transformé et radicalisé. Le roman Moïse Moïse s’inscrit dans les courants du récit d’apprentissage et du portrait de famille, mais entend en détourner les codes. Il questionne au passage la mythologie familiale, les rites initiatiques et la pauvreté liée au territoire, et interroge la porosité entre folie et radicalisation. Au nom de nous qui ne sommes pas vise à déterminer le rôle de l’identité au sein du processus de radicalisation des personnages dans le roman L’orangeraie (2013) de Larry Tremblay. Pour ce faire, l’essai se fonde sur l’analyse du discours et l’appropriation de concepts sociologiques et philosophiques empruntés à Benedict Anderson, René Girard et Paul Ricœur. La première partie examine deux communautés, l’une réelle et l’autre fantasmée, là où la seconde s’interroge sur la valeur de l’individu dans une société dominée par la collectivité. L’écart entre les deux communautés apparaît comme un point de rupture essentiel, d’où émerge une légitimation du sacrifice. À partir de cette idée, il est possible de comprendre en quoi la mythologie familiale, le processus de transmission, la religion instituée dans le récit, l’individualité et la gémellité participent de la radicalisation dans le roman de Larry Tremblay.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.010 | 0.006 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.021 | 0.004 |
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".