Grammaire bienveillante et rhétorique de combat : stratégies discursives des dirigeantes en Islande, en Nouvelle-Zélande et à Taïwan durant la pandémie de COVID-19
Bibliographic record
Abstract
La crise sanitaire provoquée par la propagation de la COVID-19 a normalisé la rhétorique « guerrière » comme stratégie argumentative chez plusieurs politicien·nes. Pourtant, les médias de masse ont véhiculé une rhétorique particulière pour les femmes dirigeantes : elles auraient apporté des réponses préventives, efficaces et orientées sur la coopération contre la COVID-19. Aussi, il est à se demander si, depuis le début de la pandémie, les discours prononcés par les femmes dirigeantes prennent le contre-pied des mythes qui associent l’autonomie, la rationalité et l’intérêt national aux hommes et à la masculinité. L’objectif de cet article est d’analyser dans quelle mesure les discours de Tsai Ing-wen (Taïwan), Jacinda Ardern (Nouvelle-Zélande) et Katrín Jakobsdóttir (Islande) mobilisent des analogies guerrières dans la gestion de la crise sanitaire de COVID-19. Suivant un cadre féministe poststructuraliste issu du champ des relations internationales et une méthodologie qualitative basée sur l’analyse thématique des discours, l’article démontre que les dirigeantes mobilisent davantage des discours orientés vers l’assistance mutuelle, le care, les relations hommes-femmes, que vers la guerre, à l’exception de la dirigeante de Taïwan qui, sans adopter un discours guerrier, insiste sur le modèle « combatif » de son gouvernement.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.013 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.004 | 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".