Bibliographic record
Abstract
Avant-propos et remerciementsN é en 1988 dans une famille de classe moyenne en banlieue de Québec, j'ai toujours eu un grand intérêt pour le passé.Par exemple : je me rappelle toute la fascination et le questionnement que suscitait la cabane à sucre incendiée qui se trouvait derrière ma maison.Qui l'avait construite ?Quand avait-elle brûlé ?Et pourquoi ?À l'école primaire, j'ai eu mon premier contact avec l'étude de l'histoire.Si je conserve quelques souvenirs de mes premiers cours de sciences humaines où nous discutions d'histoire locale, c'est en cinquième année que se déroula un événement majeur : en réponse à la demande de mon enseignante de préparer un exposé oral sur l'objet de notre choix, j'avais décidé d'éplucher le cartable d'histoire contemporaine de cinquième secondaire de ma grande sœur.J'avais alors choisi la Première Guerre mondiale comme sujet.C'est à ce moment-là que mon plan de carrière a changé : plutôt que de devenir humoriste, je voulais désormais devenir enseignant d'histoire, choix qui fut confirmé l'année suivante à la suite d'un second exposé oral portant cette fois sur la Deuxième Guerre mondiale.Mes années d'école secondaire se sont avérées, pour paraphraser Arthur Tremblay parlant du régime duplessiste, comme de « longues années de patience ».Étant dans le programme régulier d'une poly valente en fin de peloton de l'abject palmarès des écoles secondaires du Québec, je vécus des années de « grande noirceur » sur le plan intellectuel.C'est vraiment l'histoire qui m'a sauvé.En fait, cet intérêt pour l'histoire est sans doute la cause directe de ma persévérance scolaire : je savais, contrairement à la grande majorité des élèves qui m'entouraient, que je devais aller à l'université pour devenir enseignant.Ainsi, après des efforts minimaux, je suis entré au cégep en histoire et civilisation.
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 | 0.007 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.017 | 0.005 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.034 | 0.008 |
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".