Romans polluciers : fécondité des interactions entre fiction criminelle et savoirs environnementaux dans Poison d’or de Jean-Michel Mariou et Partout le feu d’Hélène Laurain.
Bibliographic record
Abstract
Deux romans publiés en 2021 et 2022 aux éditions Verdier, Poison d’or de Jean-Michel Mariou et Partout le feu d’Hélène Laurain, illustrent bien le phénomène en hausse d’une appropriation des codes du polar par une littérature dite « blanche ». Les deux textes prennent place dans des collections de grands formats associées à l’invention formelle et abritent un mélange générique. La chronique historique documentée s’invite un chapitre sur deux dans le roman de Jean-Michel Mariou pour retracer, à coup de nombreuses citations d’articles de presse et d’archives, l’histoire réelle de la mine d’or de Salsigne dans l’Aude aux xixe et xxe siècles. Le récit d’Hélène Laurain – en vers libres – fraye parfois avec le poème lyrique épousant la mélodie d’un flux de conscience dont les réflexions portent essentiellement sur les activités à impact environnemental ayant cours en Lorraine, surtout celles liées aux déchets nucléaires. Pourtant, l’un et l’autre des romans abritent une fiction qui les inscrit dans le genre du noir : un crime originel, une enquête policière, une traque. C’est cette hybridation entre documentation environnementale et fiction policière qui nous intéresse ici. Quelles relations s’instaurent entre les deux régimes discursifs et comment le documentaire environnemental prend appui sur la narration criminelle, tire parti de sa contiguïté et puise une fécondité écopoétique dans ses structures ? L’article montre que Jean-Michel Mariou et Hélène Laurain adossent des études de cas liées à une pollution des sols au paradigme indiciaire de l’enquête criminelle afin de tirer de celui-ci une force transgressive et d’inviter à penser le crime contre la terre et la vertu créatrice des cadavres.
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 | 0.002 | 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 | 0.016 | 0.018 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 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".