Que reste-t-il de moi après #MeToo? : récits autoethnographiques de construction identitaire et de socialisation aux féminismes
Bibliographic record
Abstract
En 2017, le #MeToo propulsé sur les médias sociaux par Alyssa Milano, mais originalement proposé par Tarana Burke, a semé un vent de changement, ou du moins de discussion, qui a trouvé écho partout dans le monde. Le sujet des violences sexuelles faites aux femmes est à l’agenda, on s’y intéresse davantage, et on dénonce la culture du viol qui permet aux histoires d’abus de se répéter et de se répéter encore. En 2020, au Québec, une deuxième vague de dénonciations prend naissance sur les médias sociaux. En plus des personnalités publiques qui prennent la parole, plusieurs femmes et filles « anonymes » dénoncent leur agresseur à découvert. Ça en est assez. Si elles n’arrivent pas à obtenir justice par la voie légale, elles souhaitent tout de même que leur histoire soit entendue, que les filles autour d’elles soient prévenues, et ce, afin d’éviter que l’histoire se répète encore et encore. La liste DisSonNom apparaît. Le climat est tendu. Et en plein cœur de tout ça, il y a toutes les femmes, les filles et les autres, qui se sont reconnu·e·s sans prendre la parole. Qui ont compris ou réinterprété certains épisodes de leur vie, qui ont cessé de se sentir toutes seules. Je suis l’une d’elles. L’une de celles pour qui la vie a complètement changé à la suite du #MeToo, parce que j’ai compris que j’évoluais dans un système violent, un système qui minimisait et normalisait les violences que vivent les femmes. Dans ce mémoire, il sera question de l’identité, d’identité féministe et de leurs soubresauts à l’ère du #MeToo. Comment, à travers la crise #MeToo, se construit la trajectoire identitaire d’une jeune femme dans la vingtaine dans le contexte québécois ? Et comment cela se traduit-il dans ses interactions avec autrui ? Ce sont à ces questions que j’apporterai une réponse, et ce, en adoptant une approche autoethnographique. De fait, la rédaction du mémoire sera légèrement décalée d’un mémoire plus « traditionnel », notamment par l’intégration d’extraits de conversation et de journaux intimes.
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 | 0.007 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.011 | 0.025 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.005 |
| 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".