Écrire féministe en droit privé : dialogue sur une démarche parsemée d’embûches
Bibliographic record
Abstract
Alors que l’autrice et l’auteur se trouvaient dans un séminaire doctoral et que les deux expliquaient avoir choisi de féminiser leur mémoire de maitrise, un seul des deux reçut des félicitations pour sa prise de position. Cette situation ouvrit la porte à une discussion sur l’importance de s’émanciper du recours au masculin générique et sur le rôle des personnes alliées dans cet effort. Une discussion qui paraissait trop riche pour s’éteindre dans l’enceinte d’une plateforme numérique. Dans le présent article, nous proposons de revenir sur l’origine du recours au générique masculin dans la langue française afin de démythifier la prétention du masculin à la neutralité. Il s’agira ensuite de s’intéresser aux implications du recours au masculin générique dans le cas particulier du droit privé québécois et des inégalités et iniquités qui en découlent. Finalement, nous présenterons un dialogue sur nos motivations et expériences respectives en matière de rédaction inclusive, révélant un parcours qui s’arpente rarement sans embûches.
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 | 0.005 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.036 | 0.027 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.008 | 0.000 |
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".