Bibliographic record
Abstract
Le mythe façonne l’individu : il l’assujettit à des valeurs qui restent souvent inconscientes. Or, quand on écrit, il s’agit tout d’abord de prendre conscience des mythologies qui nous ont été imposées. Dans cette réflexion sur mon écriture, j’aborde les différentes mythologies qui m’ont traversée : la mythologie judéo-chrétienne de ma petite enfance, les mythes gréco-romains hérités de mon adolescence, puis les mythes contemporains que j’ai assimilés depuis ma naissance (mode de vie hollywoodien, célébration du pouvoir et de la richesse, mythe de la Femme avec un grand F, etc.). Car « tout peut être mythe », affirme Roland Barthes dans ses Mythologies . Mais Barthes avance qu’il existe un langage « qui résiste autant qu’il peut au mythe : notre langage poétique ». Car la poésie tente de déconstruire le langage du mythe. Elle ne vise pas à donner une signification, mais elle « s’affirme toujours comme un meurtre du langage, une sorte d’analogue spatial, sensible, du silence ». Voilà qui me rejoint intimement comme poète. Mais comme romancière, qu’en est-il ? Le romancier ne tente-t-il pas de recycler les mythes ou d’en créer à sa mesure ? Cela me semble particulièrement vrai pour la romancière, qui cherche à se réapproprier la mythologie dans une culture où les mythes ont été créés par les hommes. N’a-t-elle pas été jusqu’à maintenant objet de la mythologie plutôt que sujet de son propre imaginaire ? Ce sont autant de points que j’aborde ici, dans cet essai qui prend la forme de courts fragments.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.013 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.013 | 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".