À voix haute : combiner les représentations rhétorique et médicale de la voix à la Renaissance
Bibliographic record
Abstract
A la Renaissance, la transmission orale des textes ne se justifie pas seulement par une tradition qui persisterait parallèlement à l’essor de l’imprimerie : elle trouve un point d’appui dans la redécouverte des traités de médecine des Anciens s’intéressant à la lecture à voix haute. Capable de mieux faire circuler ou libérer les humeurs, la vocifération ou la lecture à voix haute font partie des programmes thérapeutiques à l’œuvre dans l’Antiquité. Rabelais, médecin lui-même, traducteur en latin et éditeur d’Hippocrate et de Galien, n’ignorait sans doute pas ce lien fait jadis entre voix et santé, comme le mode de vie de Gargantua semble le montrer : l’humaniste combine dans ses récits une représentation de la voix empruntée à la rhétorique de l’actio, une représentation anatomique du trajet de la voix dans l’oreille, et une vision thérapeutique des exercices vocaux. Ces différentes représentations concourent toutes à l’épanouissement humaniste du géant. Clément Marot va encore plus loin en donnant un écho de ces traités médicaux dans le « Chant royal de la conception Nostre Dame », renouvelant par là-même l’image du « Verbe » divin et celle de la Vierge Marie.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.008 | 0.030 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.006 | 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".