Bibliographic record
Abstract
La commission de recherche sur les archives françaises relatives au Rwanda et au génocide des Tutsi, ou commission Duclert, s’est récemment penchée sur l’engagement de la France au Rwanda, en cherchant également à contribuer à la compréhension historique des processus menant au génocide perpétré contre les Tutsi au Rwanda en 1994. Le rapport qu’elle a produit propose toutefois une lecture problématique des événements au Rwanda au début de la décennie 1990. Cet article soutient que, faisant du génocide la clé de lecture du Rwanda, ce rapport filtre ce qui s’est passé au Rwanda à la seule lumière des violences génocidaires de 1994. Afin de démontrer ce « filtre génocide », le propos s’articule autour de deux illustrations tirées de l’interprétation que la commission Duclert fait du début de la guerre qui entame la période dite de radicalisation au Rwanda en octobre 1990. Il s’agit de la tendance à culpabiliser les autorités rwandaises à rebours, ainsi que d’une lecture « exceptionnaliste » faite des motivations (quasi ataviques) et des relations entre les acteurs de l’époque (nécessairement hors du commun) dès 1990. L’article conclut sur l’importance de comprendre l’histoire du génocide en revenant au contexte, et ainsi à la nuance et l’ambiguïté, des événements de 1990.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.011 | 0.012 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 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".