Les statistiques « ethniques » outillent des politiques de quotas plutôt que la connaissance des discriminations : l’exemple canadien
Bibliographic record
Abstract
Plusieurs controverses sur la mise en place de statistiques « ethniques » se sont succédé en France au cours des 25 dernières années. Aujourd’hui, les demandeurs de telles statistiques s’appuient principalement sur l’argument de la connaissance. C’est une façon de contourner le débat des politiques publiques car les statistiques « ethniques » sont davantage un outil nécessaire à la mise en place de certaines formes de politiques de discriminations positives qu’un outil scientifique. L’exemple canadien permet de l’illustrer. Le recensement y collecte une information sur l’origine ancestrale depuis plus d’un siècle. Avec l’émergence du fait « canadien », cette question a progressivement perdu de son intérêt tandis que les questions liées aux origines se sont multipliées pour répondre aux besoins spécifiques de différentes politiques publiques : question linguistique, repérage des autochtones, promotion des « minorités visibles ». D’un recensement à l’autre, les variations de questionnement perturbent les analyses en évolution.
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 | 0.005 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.006 | 0.013 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".