Bibliographic record
Abstract
Cet article se propose d’aborder quelques-unes des multiples tensions qui traversent tout acte de recherche. Comment penser le « terrain », lieu qui désigne à la fois un espace géographique et le lieu où se déroule l’activité du chercheur ? Il y sera question de méthode et de mesures, de ces « lois de la science » par lesquelles l’on marque un territoire au point de le faire devenir sien. Comment se penser soi-même sur le terrain, dans cet espace et ce moment si particulier, si singulier, où une parole rencontre une autre parole, un projet un autre projet ? Là, il sera question du champ de la rencontre et de son illusoire neutralité. Enfin, comment rendre compte de son terrain, de la « chose vue » et de la « vie partagée » ? Là, il sera question du champ de l’énonciation et de ses stratégies discursives. Des questions qui sont non seulement des questions de méthode – à l’heure où les modes de production des données traditionnellement « attachés » à l’ethnologie sont très largement utilisés dans les sciences sociales –, mais aussi de posture : elles renvoient, en effet, de manière plus générale, à ce que l’on pourrait appeler une politique du terrain où le chercheur tente de concilier les contraintes qu’imposent la nécessité de mesurer et sa propre subjectivité.
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 | 0.016 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.012 | 0.045 |
| Scholarly communication | 0.020 | 0.021 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.005 | 0.010 |
| Insufficient payload (model declined to judge) | 0.016 | 0.004 |
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".