Digital Cartography and Feminist Geocriticism Case Study II: Kilvenmani Massacre
Bibliographic record
Abstract
L’article explore les relations d’espace, de caste et de genre dans les massacres de Dalits en localisant les survivantes du massacre de Kilvenmani (1968) dans une optique de géocritique féministe et de cartographie numérique. L’introduction traite des recherches féministes dans le domaine des SIG pour les situer dans le contexte d’un ensemble de connaissances plus vaste. Vient ensuite une section sur le contexte du massacre de Kilvenmani et les recherches connexes. La prochaine section résume la méthodologie hybride/mixte qui combine géocritique féministe (localisant les survivantes sur les lieux de la violence) et la cartographie numérique (localisant les survivantes sur des cartes géographiques et analysant les liens). Il est aussi question des sources utilisées pour identifier les survivantes. Ces sources sont fictives (romans, films) et non fictives (documentation, articles de journaux), et ont été soigneusement examinées pour comprendre la réalité de l’expérience du massacre vécue par les femmes dalits. La prochaine section donne la représentation sur carte des survivantes, à l’aide du logiciel QGIS, avec l’analyse des données et de nouveaux résultats traitant des relations de caste, d’espace et de genre dans le massacre des Dalits. Les deux études de cas, I (sur le massacre de Marichjhapi) et II (sur le massacre de Kilvenmani), font partie d’une étude élargie qui vise à créer une archive spatiale plus vaste des survivantes de massacres choisis de Dalits en Inde indépendante.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".