Noire n'est pas mon métier ou un autre appel des Indigènes de la République
Bibliographic record
Abstract
Le présent article voudrait analyser L’ouvrage Noire n’est pas mon métier qui regroupe les récits et expériences de seize actrices françaises noires et métisses. S’inscrivant dans le prolongement de la réaction des acteurs afro-américains qui protestaient en 2016 contre leur absence de la liste des nominés pour la cérémonie des récompenses des oscars, les seize contributrices décrivent les discriminations dont elles sont victimes et les difficultés dont elles font face dans l’exercice de leur métier d’actrice. En inscrivant cette publication dans le contexte socio historique de la société française de la fin du siècle dernier marqué par la guerre des mémoires, les émeutes dans les banlieues des grandes villes et le débat sur l’identité nationale, je postulerai que les revendications de ces actrices se situent dans la mouvance générale tracée par « les Indigènes de la République » qui refusent d’être cantonnés dans l’arrière-cour de la république. En revisitant les stéréotypes, les discriminations, et tout le mécanisme d’invisibilisation des actrices noires dans le cinéma français, nous lirons cet ouvrage comme une tentative de prise de parole de la femme noire triplement subalterne et condamnée à une bataille permanente pour s’affirmer comme une humanité et avoir ainsi part à ce que Jacques Rancière appelle « le partage du sensible. » Discrimination - Cinéma- Indigènes - Noire - Actrice - Exclusion
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.015 | 0.012 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".