Mémoire et histoire dans les communautés francophones minoritaires : réflexions d’un praticien1
Bibliographic record
Abstract
Les historiens contribuent à la construction de la mémoire collective. Cependant, par le biais d’enquêtes méthodiques, leur apport diffère souvent de celui d’autres intervenants. S’ils peuvent être aussi des citoyens engagés, les historiens doivent pratiquer une nécessaire mise à distance. Or, cet équilibre est difficile à maintenir dans les communautés francophones minoritaires. Marginalisées sous plus d’un aspect, ces dernières sont constamment à la recherche de justice et de reconnaissance. Dans leurs combats, les porte-parole des minorités multiplient les références à l’ancrage profond des francophones dans le territoire et à leurs luttes héroïques, croyant ou voulant croire que « la communauté » a toujours été unanime. Le présent article vise à saisir les rapports qu’entretiennent la mémoire et l’histoire au sein des communautés francophones minoritaires. Pour ce faire, l’auteur s’appuie sur les travaux d’historiens d’ici et d’ailleurs qui ont étudié la question, et il illustre ses propos en donnant des exemples récents. Partiellement analytique, l’article se veut également un témoignage qui repose sur diverses expériences de l’auteur en Ontario français.
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 | 0.006 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.023 | 0.029 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 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".