Bibliographic record
Abstract
Cet article, qui repose sur mon expérience de chercheuse littéraire en humanités médicales et de proche aidante auprès de mon amie Caroline, fait le pari d’une médecine réfléchie à la lumière de cet accompagnement centré autour de la lecture, de l’écriture et de la nourriture. En effet, il dessine un trajet sinueux que balise l’usage de citations aux sources diverses : tirées de livres qui ont été lus durant l’hospitalisation de Caroline, de phrases qu’elle a écrites ou que j’ai essuyées de ses lèvres buvardes, repues, dans l’espoir d’un concert de voix où s’ajustent gorges de femmes, mâchoires de chiens et ailes d’insectes. Dans cette écologie vivante qui installe, pour sa survie, l’impératif de « sonner avec », de « manger avec » autrui, j’explore la « bévue » comme ligne de fuite créative de mon argumentaire : appréhendée non pas au sens d’une grossièreté, mais au sens de voir deux fois, de se voir deux, la bévue devient une stratégie par laquelle repenser certaines pratiques cliniques et discursives en soulignant l’importance d’interactions bégayantes, hésitantes, qui nous décentrent. Ne cherchant pas à revenir à ce « qui » qu’impose un mode individualisant du soin, je démultiplie les foyers d’énonciation de la maladie pour y inclure le chant d’autres formes de vie et invite le lectorat à entendre en lui, hors de lui, ce que captent ses oreilles détournées par un regard élargi sur le monde grâce à la parole d’écrivaines malades.
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 | 0.011 | 0.051 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.015 | 0.018 |
| Scholarly communication | 0.025 | 0.022 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.008 | 0.012 |
| Insufficient payload (model declined to judge) | 0.032 | 0.008 |
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".