Bibliographic record
Abstract
ICHAEL était originaire de Winnipeg.Marie-Anne l'avait rencontré dans une auberge de jeunesse à Budapest.Ils avaient un peu voyagé ensemble puis, de retour au pays, ils avaient gardé contact et s'étaient mis à se voir de temps en temps.Chaque fois, c'était lui qui se déplaçait pour venir la retrouver à Montréal.À la veille de la plus récente visite de Michael, Marie-Anne m'avait annoncé qu'il resterait dix jours.Le matin de son arrivée, elle m'a téléphoné en catastrophe : elle devait courir à Québec, pour une histoire de famille.Elle n'y passerait que la journée, reviendrait la nuit même, « disons entre deux et trois heures, si je pars de là-bas à minuit », mais elle ne pourrait pas aller accueillir son visiteur à la gare d'autobus, où la navette de l'aéroport le déposerait.Elle m'a donc demandé d'aller l'attendre pour elle et de lui remettre les clés de son appartement, qu'elle me laisserait avant de filer à Québec.Elle ne s'est pas informée des plans que j'aurais pu avoir.En plus, elle m'a prié d'emmener son ami boire un verre au centre-ville ce soir-là, jusqu'à ce qu'elle soit de retour, « pour éviter qu'il s'ennuie tout seul à l'appart ».Le pauvre chou.Je lui ai fait savoir que j'avais un concert de prévu, mais que je pouvais l'annuler, qu'elle se rassure.Je connaissais Marie-Anne depuis longtemps.Je lui avais déjà proposé quelques fois que nous couchions ensemble, elle avait toujours refusé.Mais la frustration, au lieu de m'inciter à me détacher d'elle, m'avait poussé à me soumettre à toutes ses exigences, même quand la tâche me contrariait, même si je trouvais ridicule de lui obéir, comme si malgré tout j'espérais gagner ses faveurs.Lorsque Michael est descendu de l'autobus, je l'ai tout de suite reconnu : Marie-Anne m'avait indiqué qu'il serait certainement le plus grand.Les cheveux roux coupés en brosse, un sourire immaculé, une croix dorée autour du cou, une 9
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.003 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.101 | 0.019 |
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".