Du néoterroir au noir rural. Étude comparée en littératures québécoise et étatsunienne suivi du roman Jamais sans Ariane
Bibliographic record
Abstract
Cette thèse en recherche-création consiste dans un roman accompagné d’un travail d’analyse sur les notions qui alimentent ma pratique d’écriture. J’examine le « noir rural », un sous-genre de l’extrême contemporain en fiction étatsunienne, sorte de polar fruste où la dévoration du territoire sert de voie d’accès à des thèmes récurrents, notamment l’expiation et la filiation. Au Québec, pour définir ce sous-genre, on utilise les termes « postterroir » ou « néoterroir ». En 2012, Mathieu Arsenault proposait l’expression « ruralité trash », décrivant bien le genre d’univers glauque que certains auteurs mettent en scène. On parle aussi d’une prétendue « École de la tchén’ssâ » (chainsaw), une communauté d’écrivains plus ou moins réunis autour de Samuel Archibald, dont les préoccupations esthétiques rejoindraient celles du « noir rural ». Du « néoterroir » au « noir rural », les enjeux du roman se déploient par la relation des personnages aux lieux. En scrutant en parallèle trois oeuvres étatsuniennes appartenant au « noir rural » et trois oeuvres québécoises témoignant du « néoterroir », j’offre un aperçu de ces tendances littéraires, mets au jour des similitudes et des différences clés entre les pratiques littéraires québécoises et étatsuniennes et fournis à des chercheurs ultérieurs des outils permettant d’étudier les littératures nord-américaines de concert. Cette première partie est suivie du roman Jamais sans Ariane, où l’on suit Alaric, un jeune homme désengagé qui, dans un geste impulsif, ravit à un trio de junkies truculents et dépravés une nourrissonne à leur charge et affronte avec elle une tempête de verglas aux proportions catastrophiques.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.012 | 0.010 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".