From Data Problems to Data Points: Challenges and Opportunities of Research in Postgenocide Rwanda
Notice bibliographique
Résumé
Abstract: While interest in conducting fieldwork in conflict and postconflict societies continues to grow, literature addressing the specific challenges and dilemmas of this kind of research remains scarce. Based on four months of fieldwork and approximately seventy interviews, this article explores the complexities of conducting research in postgenocide Rwanda. I argue that what at first may appear to be data problems can also be important data points; problems such as historical memory, selective telling, and skewed participant demographics illuminate political structures, group relations, and societal cleavages. This article then illustrates this argument by examining how these challenges/opportunities help explain the difficulties involved in teaching history in postgenocide schools. These reflections on research in Rwanda suggest valuable lessons for fieldwork and data analysis in a number of settings by providing examples of pitfalls, dilemmas, and often unseen opportunities that are likely to present themselves in other divided societies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,343 | 0,431 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,022 | 0,052 |
| Communication savante | 0,027 | 0,033 |
| Science ouverte | 0,007 | 0,020 |
| Intégrité de la recherche | 0,006 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».