Bibliographic record
Abstract
Une des raisons pour laquelle Nadja d’André Breton constitue un texte emblématique de la littérature moderne vient du fait que le récit est accompagné de 48 photographies en noir et blanc ponctuant la rencontre entre le narrateur et une jeune femme. De nombreux critiques ont tenté de décrypter le sens de ces photographies et de les faire entrer dans différentes grilles de lecture avec pour objectif de dévoiler certains non-dits du texte. En se basant sur trois articles consacrés à la photographie dans Nadja ces trente dernières années, notre étude propose de démontrer comment toute tentative d’interprétation des photographies est vouée, sinon à l’échec, au moins à la confusion et à l’ambiguïté, et débouche en fait sur plus de questions qu’elle n’apporte de réponses. En voulant donner à son récit un caractère plus troublant, Breton a aussi brouillé les pistes et créé un système de signification qui lui échappe en grande partie ainsi qu’aux lecteurs. Interpréter les photographies insérées dans Nadja, tenter de les faire entrer dans un réseau plus global, revient pour chaque lecteur et chaque lectrice à projeter ses propres dispositions sur l’écran textuel et visuel du livre au risque d’aboutir à une lecture qui se caractérise davantage par ses aspects subjectifs que par la rigueur scientifique.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.010 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.009 | 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".