Le deuil en contexte migratoire dans Littoral de Wajdi Mouawad et Finir en beauté de Mohamed El Khatib suivi de La madeleine de Mohamed
Bibliographic record
Abstract
Dans l’essai qui suit, j’étudie le deuil en contexte migratoire dans Littoral de Wajdi Mouawad et Finir en beauté de Mohamed El Khatib. Je fonde mon analyse sur une approche postcoloniale avec les concepts de la philosophie de la Relation (Édouard Glissant) et de l’interruption généalogique (Abdelwahab Meddeb). Dans les deux pièces, les héros sont confrontés au rapatriement de la dépouille d’un parent au pays d’origine, un pays meurtri par le souvenir de la guerre que l’on devine être le Liban chez Mouawad et le Maroc chez El Khatib. Je chercherai à déterminer si le deuil est pour les personnages principaux l’occasion de renouer avec une filiation perdue depuis l’émigration des parents vers l’occident. La madeleine de Mohamed raconte le « deuil blanc » éprouvé par Titou pour son père atteint de la maladie d’Alzheimer. La pièce est en parallèle une enquête sur « Fathia », le bébé mort-né de la fratrie dont le deuil n’a jamais été fait. La pièce constituée de fragments est à la fois autofictionnelle et basée sur des documents retravaillés ou utilisés tels quels (notes de carnets, enregistrements, document juridique ou encore des photos). L’action se déroule sur plusieurs territoires entre le Québec et la France, parmi les vivants et les morts avec notamment la présence des jnouns et la réincarnation de Fathia désormais adulte redescendue sur terre sous forme d’ange pour accomplir une mission.
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 | 0.001 |
| Science and technology studies | 0.011 | 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) | 0.005 | 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".