Chasser le loup, révéler le passé et orienter le futur parmi des éleveurs nomades de Mongolie
Bibliographic record
Abstract
En Mongolie, durant l’hiver, les éleveurs nomades de moutons, de chèvres, de vaches et de chevaux doivent souvent faire face aux attaques répétées des loups sur leurs troupeaux. Au petit matin les loups descendent des collines environnantes pour fondre sur le bétail, et, au réveil, les éleveurs découvrent avec stupeur qu’un veau a disparu ou que plusieurs moutons et chèvres mortellement blessés jonchent le sol. Lorsque les attaques des loups se multiplient, il devient nécessaire de les chasser. Cet article propose une analyse des procédures divinatoires et propitiatoires que des éleveurs nomades mongols mobilisent afin de prédire, mais aussi de faire advenir la prise de gibier et, plus spécifiquement, celle du loup gris (canis lupus chanco). À travers l’analyse de la consultation d’un calendrier astrologique, de rituels de divination et de dévotion, l’auteur examine la coexistence de trois régimes de causalité différents (mécaniste, non-relationnel et relationnel) que les éleveurs mobilisent pour réduire la dimension aléatoire inhérente à la chasse. Chaque régime de causalité implique une forme de subjectivité du chasseur plus ou moins volontaire et personnelle.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
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".