Bibliographic record
Abstract
Écrit en 2000 « L’ombre d’Imana » de Véronique Tadjo invite à penser la relation témoignage-littérature dans le cadre du génocide des Tutsi du Rwanda. Si l’œuvre illustre bien qu’écrire l’expérience génocidaire est possible, son écriture hétéroclite lui confère un statut difficilement classable qui démontre la complexité d’une telle entreprise, notamment au sein de l’espace littéraire qui relève de la fabulation. « L’ombre d’Imana » fait partie des premiers textes écrits par des écrivains qui n’ont pas vécu directement le drame et son éclatement reflète les tentatives de circonscrire un événement traumatique qui semble pousser l’imagination et le langage à (et hors de) leurs limites. Si le texte réaffirme donc la posture engagée de l’auteure, il illustre surtout « l’expérience du dire » (Ngandu 2011) qu’engendre le génocide qui suppose tout un travail de façonnage du discours. Comment l’auteure, en tant que témoin « tiers » (Coquio 2004), représente-t-elle ce temps de violence extrême ? Comment transmet-elle la mémoire des victimes et par quelles stratégies littéraires, esthétiques et discursives rend-elle son témoignage percutant dans l’optique d’une transmission crédible et convaincante ? En nous focalisant sur le jeu entre le factuel et le fictionnel, entre autres, cet article explore la transformation artistique de son témoignage visant un choix des meilleures façons de dire les faits.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.007 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.006 | 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".