Notice bibliographique
Résumé
Sous l'influence première d'un article de Barnes (1954), les études anthropologiques sur les réseaux sociaux ont ouvert une voie de recherches qui apparaît encore pleine de promesses. Il faut bien avouer, pourtant, que jusqu'à maintenant peu d'analyses fondées sur des données empiriques ont emporté la conviction. Les études de réseaux n'ont pas encore fait la preuve de leur fécondité. Il leur manque un fondement théorique, pourtant disponible dans la théorie des graphes qui est justement une théorie des réseaux, qu'ils soient sociaux ou autres. Comme l'a noté Mitchell, la jonction n'existe pas — ou pas assez — entre les spécialistes de la théorie des graphes et les chercheurs sur le terrain (1969, p. 35). Pourtant, quelques bons exposés ont été écrits par des anthropologues, qui indiquent bien ce qu'on pourrait tirer d'une utilisation plus poussée de la théorie des graphes (en particulier Mitchell, 1969; Barnes, 1969a; et surtout Barnes, 1972). Malgré ces mises en place, la plupart des études empiriques ne dépassent guère l'analyse situationnelle qui, comme le note Barnes (1972, p. 13), peut fort bien se passer de la notion de réseau, en plus d'être inapte au dégagement d'hypothèses générales. Nous allons donner, à la fin de cet article, une brève illustration d'une étude proprement structurale des réseaux sociaux, au sens où l'entendent Harary, Norman et Cartwright (1968), dans leur ouvrage sur les graphes orientés. En utilisant des données recueillies sur le terrain, nous montrerons comment la notion d'articulation, tirée de la théorie des graphes, permet de poser et de traiter des problèmes théoriques, mais aussi pratiques, qui nous semblent propres aux réseaux sociaux. Auparavant, nous voudrions discuter de certaines questions préalables à une analyse vraiment spécifique des réseaux sociaux. Ils ont trait au concept même de réseau, à la constitution des unités d'analyse, et aux différentes voies d'analyse qui s'offrent au chercheur.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».