Les recherches-action ou collaboratives sont-elles plus éthiques? Réflexions d’une ethnologue en milieu autochtone canadien
Bibliographic record
Abstract
Au Canada, depuis le début des années 2000, les recherches-action et collaboratives sont devenues de plus en plus populaires dans les sciences sociales. Dans ces recherches, les connaissances sont produites non pas seulement par les chercheurs spécialisés, mais avec les acteurs de terrain. Elles sont souvent présentées comme la panacée en matière d’éthique vis-à-vis des populations locales, surtout quand celles-ci sont en situation de marginalisation. Ces recherches sont en effet vues comme une voie d’empowerment possible. J’examine ici la façon dont ces types de recherches, appliquées à des disciplines non normatives comme la mienne, peuvent en changer le visage, à partir de mon expérience d’anthropologue en milieu amérindien au Québec. Sont-elles vraiment plus éthiques que les recherches fondamentales? Je montre les questionnements soulevés par ces modèles, qui peuvent changer les façons de pratiquer mon métier, en prêtant une attention particulière à l’engagement du chercheur, à la validité et la solidité des méthodologies et des épistémologies, ainsi qu’aux degrés de participation des informateurs, tout cela dans le cadre des règles éthiques formulées par les conseils subventionnaires canadiens et par les Autochtones eux-mêmes.
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 | 0.034 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.027 | 0.076 |
| Scholarly communication | 0.020 | 0.012 |
| Open science | 0.003 | 0.008 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.008 | 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".