Naissance et mort du lecteur détective : Lectographie de Trou de mémoire d’Hubert Aquin
Bibliographic record
Abstract
Cet essai propose d’abord une revue des positions critiques de Marilyn Randall par rapport au roman Trou de mémoire (1968) d’Hubert Aquin. Je m’attarde plus spécifiquement au concept de biolectographie, que j’ampute de son préfixe pour penser une lectographie, c’est-à-dire une lecture non plus axée sur la recherche de l’image de l’auteur dans les marges de la fiction, mais sur la responsabilité du lecteur ou de la lectrice. Trou de mémoire est un roman policier hors norme, car l’identité du criminel est rapidement découverte. Les mobiles des crimes qui structurent l’intrigue sont par ailleurs obscurs. Prenant appui sur la critique policière théorisée et pratiquée par Pierre Bayard, je propose une enquête qui reconstruit un portrait exhaustif des motivations des personnages, sans épargner l’examen du désir du lecteur. Cette insistance sur la rencontre avec le texte donne naissance au personnage conceptuel que je nomme le lecteur détective. Aux commandes de l’enquête, le lecteur détective revisitent une fois de plus les énigmes de Trou de mémoire, plongeant dans le point de fuite du texte, moins pour proposer une solution que pour arpenter la logique fantasmatique mise en scène par l’écriture romanesque.
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 | 0.001 |
| Science and technology studies | 0.012 | 0.018 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.011 | 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".