Les relations d'un député québécois avec ses commettants et son milieu : le cas Denise Leblanc-Bantey aux Îles-de-la-Madeleine
Bibliographic record
Abstract
Ce mémoire se veut une étude de cas sur les relations d'un député québécois avec ses commettants et son milieu. Nous nous sommes basé sur l'expérience de Denise LeBlanc-Bantey, députée des Îles-de-la-Madeleine pour le Parti québécois entre 1976 et 1985, pour effectuer notre recherche. Les principaux objectifs de ce mémoire étaient de cerner les véritables problèmes auxquels les députés sont confrontés par leurs contacts directs et indirects avec leurs commettants. Le choix de la circonscription des Îles-de-la-Madeleine et de sa députée de l'époque s'explique par la spécificité de cette région. En effet, nous avons tenté d'établir un lien entre les caractéristiques propres aux îles et les problèmes rapportés à la députée. Dans le même sens, nous avons suivi les démarches entreprises par LeBlanc-Bantey, auprès des ministres et des autorités municipales de son comté, pour régler les problèmes de ses commettants. Finalement, nous avons porté une attention particulière à son travail d'adjointe parlementaire aux pêcheries puisqu'il nous apparaissait plutôt rare pour un député d'être en charge du plus important secteur économique de sa circonscription.
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 | 0.001 | 0.002 |
| Science and technology studies | 0.024 | 0.007 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.000 |
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".