Projit Mukharji, <i>Brown Skin, White Coats: Race Science in India, 1920-66</i>
Notice bibliographique
Résumé
Brown Skins, White Coats offers a richly detailed, gripping and largely overlooked history of the mobilization of racial thinking and of race science in anticolonial movements and postcolonial nationalisms. Urging a more capacious understanding of race science that goes beyond the more circumscribed and highly critiqued nineteenth-century manifestation, Mukharji uncovers a history of ‘seroanthropology,’ a field of inquiry premised on the assumption that ‘the frequencies of various serological factors’, such as blood groups, ‘varied by race’. (9) Not quite a discipline in its own right, but more than a mere technique for apprehending the truth of race, seroanthropology appears in this book as the forgotten bridge between the now-reviled nineteenth-century sciences of human difference, and the still entirely respectable study of human genetics. A sweeping introduction provides the still-needed reminder that the couching of various race sciences as pseudoscience rests on a series of faulty assumptions: that there is a clear demarcation between science and what masquerades as science; that biologically based racial thinking has been relegated to the past by scientists today; and that practitioners of race science were rabid racists whose bad politics bled into their work. As the book makes explicit, just as race science was not necessarily carried out by racists, normal science was not aligned, intrinsically, with social justice and other progressive ideals. Brown Skins boldly unearths the race research conducted in the name of a secular nation and its scientific understanding in the decades after India's independence. In doing so, the book forces us to confront the racial thought and frankly racist assumptions about human difference that persist in India today, even within secular, scientifc circles.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,007 |
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 ».