Je suis une voiture ; suivi de L'écriture du fleuve dans la poésie de Mahigan Lepage et de Pierre Nepveu
Bibliographic record
Abstract
Je suis une voiture est un recueil de nouvelles qui s’articulent depuis différents lieux du Québec. Le rapport qu’entretient la narratrice —la même pour chaque texte— avec ces différents espaces est réfléchi depuis un point d’ancrage montréalais. L’objectif des textes est moins de décrire les lieux que de les faire ressentir et d’en restituer l’ambiance. Parce qu’ils sont issus du monde sensible, les lieux permettent d’ancrer les textes dans le réel. Le travail de réalisme passe aussi par le personnage de la narratrice qui permet de présenter plusieurs motifs récurrents de la vie humaine : l’amour surtout, l’amitié, mais aussi la perte, la colère, la tristesse... Je suis une voiture se présente comme une collection de souvenirs qui se croisent et se mêlent. L’ordre des textes n’est pas chronologique, mais propose un itinéraire où chaque escale est une fenêtre sur une époque de la même vie. L’essai « L’écriture du fleuve dans la poésie de Mahigan Lepage et de Pierre Nepveu » interroge trois recueils de poésie pour répondre à la question : comment écrire le fleuve? De Lepage a été retenu le fleuve colère et de Nepveu La dureté des matières et de l’eau ainsi que Romans-fleuves. Ces textes ont l’avantage d’offrir trois formes poétiques différentes : la fable, les vers et la prose. Dès lors, chacun des poèmes devient une réponse possible à la question. Cet essai s’applique à montrer que, pour écrire le fleuve, il faut reconstituer dans le poème les caractéristiques principales de ce corps hydrographique pour les transposer dans le texte. L’essai en retient principalement deux : l’eau et le mouvement et l’analyse adopte un double point de vue thématique et formel.
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 | 0.001 |
| Science and technology studies | 0.013 | 0.011 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.009 | 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".