L’horreur comme littérature-monde, le cas de la littérature québécoise. <i>Mort-Terrain</i> de Biz et <i>Qu’il est bon de se noyer</i> de Cassie Bérard
Bibliographic record
Abstract
La curiosité pour l’horrible est répandue aux différentes parties du globe et il s’agit d’un genre qui circule à travers différents médiums : la littérature, le cinéma et la télévision. Un peu comme Andreas Hedberg l’affirme à propos de la crime fiction, Stephen King présente le genre de l’horreur comme extrêmement adaptable et utile dans son essai Danse Macabre, qui esquisse les grandes lignes d’une théorie de l’horreur. À l’instar de Louise Nilsson, David Damrosch et Theo D’haen, éditeurs de Crime Fiction as World Literature, je prendrai pour point de départ la littérature-monde en relation avec la société, mais à partir de l’horreur en littérature québécoise, qui n’échappe pas à la fascination pour l’inquiétant et l’effroyable. De la même façon que Nilsson, Damrosch et D’haen l’ont relevé à propos de la crime fiction, l’horreur est propice à formuler une critique sociale et met l’accent sur des problématiques de nature politique. Je m’attacherai à montrer que l’horreur peut servir à une critique du capitalisme global à partir de deux romans québécois qui ont pour cadre une ville minière mono-industrielle dévastée : Mort-Terrain (2014) de Biz et Qu’il est bon de se noyer (2016) de Cassie Bérard. L’horreur constitue l’une des façons de rattacher la littérature québécoise à la littérature-monde en raison de son caractère glocal. Après avoir présenté l’horreur comme genre social, je procéderai à l’analyse de trois motifs de l’horreur qui sont directement en lien avec les conséquences du système capitaliste incarné par la mine : la petite ville abandonnée (ou presque), la succession d’accidents (ou de meurtres) et l’apocalypse.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.017 | 0.016 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.021 | 0.002 |
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".