Instrumentalisation d’un mot sans fondement juridique : le féminicide
Bibliographic record
Abstract
Devenu la norme et bien que le terme ne soit pas nouveau, l’utilisation qui en est faite par les médias et les réseaux sociaux remonte à une quinzaine d’années. Il s’agit du mot féminicide. Si l’on s’en tient à sa stricte définition, bien qu’informelle, celle-ci n’a d’autre explication que la haine et le patriarcat conduisant l’homme au meurtre d’une femme parce que née femme. Au-delà de cette instrumentalisation sans fondement juridique, celui qui, au paroxysme de la colère en vient à tuer son épouse, sa conjointe, sa petite amie ou une inconnue agit à l’encontre d’ une et non des femmes. En dépit des titres apocalyptiques faisant la une des médias en Occident et en gardant bien à l’esprit sa définition, au Canada, ce type de meurtre demeure des plus rarissimes : trois dossiers sur plus d’une trentaine d’années. Une réalité qui ne ralentit guère l’ire des associations activistes lorsque ces dernières exigent que le mot soit inscrit dans la loi, que des tribunaux spéciaux soient créés avec peines exemplaires systématiques. Or, bien d’autres situations dépassent de très loin ce clivage lorsque l’enfant à naître est une fille. Chaque année, dans le monde, des millions de femmes se rendent coupables de féminicides de masse au nom d’un contrôle étatique lorsque l’enfant à naître est de sexe féminin; d’autres recourent à une pratique ancestrale où la mort, suite aux complications qu’elle entraîne, n’est jamais très loin : l’ablation des organes génitaux et pire encore, toujours à l’échelle planétaire, lorsque des milliers d’autres se font complices de trafics humains en vendant leurs propres fillettes, source de revenus pour l’esclavage industriel et la prostitution trop souvent synonymes de disparitions.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.012 | 0.025 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.014 | 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".