"Écrire le corps gros en littérature jeunesse: l'exemple de romans québécois pour adolescents et adolescentes" suivi du texte de création "Livre de cuisine"
Bibliographic record
Abstract
Le mémoire propose une exploration critique et créative de l’expérience du corps gros telle qu’elle est représentée dans la littérature jeunesse québécoise pour adolescents et adolescentes, ainsi que dans une autofiction de notre cru.Dans une démarche encore inédite dans les travaux savants, nous proposons une lecture critique de romans québécois pour adolescents et adolescentes en nous appuyant sur les outils théoriques des fat étudies et de la littérature jeunesse. Plus précisément, la recherche se penche sur les mécanismes formels, textuels et iconographiques au moyen desquels le roman québécois pour adolescents et adolescents met en scène le corps gros et les personnes grosses. Le premier tome de la série Arielle Queen de Michel J. Lévesque (paru en 2007 aux éditions Les Intouchables et réédité en 2022 aux éditions AdA) constitue l’objet d’enquête principal. Une sélection de romans québécois pour la jeunesse servent d’exemples supplémentaires ponctuels d’écriture du corps gros. En suivant trois topoï de la littérature fantasy (genre auquel Arielle Queen appartient), nous dressons le portrait d’une littérature qui, dès qu’elle traite du corps gros, est doublée d’une autre quête, celle de la minceur.La création intitulée Livre de cuisine s’intéresse, quant à elle, à la relation conflictuelle entre le corps d’une narratrice et la nourriture, entre les gestes de manger et de faire à manger. Divisée en quatre parties, la création reprend la structure d’un livre de recettes et de la progression d’un repas : « Amuse-gueule », « Entrée », « Plat de résistance » et « Dessert ». Y est dépeinte la violente culmination d’une dissonance entre les pulsions qui régissent un même corps : la faim devient pulsion, au même titre que l’appétit ou la gourmandise. Des passages de prose narrative, et de courts paragraphes d’écriture vive, sans ponctuation, s’alternent afin de donner à lire les impressions et les jugements que le corps porte sur lui-même. L’ultime chapitre "Dessert" tente de faire le point sur une question qui hante la création comme les romans jeunesse à l’étude : vaut-il mieux être mince ou heureuse
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) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.023 | 0.015 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 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".