Bibliographic record
Abstract
Longtemps délaissé par les recherches en sciences sociales, la mesure quantitative du racisme redevient d’actualité et pose d’importantes questions méthodologiques et théoriques. En prenant appui sur l’expérience de l’enquêteTrajectoires et Origines(TeO, Insee-Ined, 2008-2009), cet article montre les apports et les limites de l’enquête pour la connaissance empirique et statistique des discriminations et du racisme, et explore des pistes d’explication de la sous-déclaration de l’expérience du racisme. Après une discussion des sources quantitatives d’analyse du racisme en France, nous présentons une synthèse des résultats de TeO sur le racisme rapporté par les immigrés et descendants d’immigrés. Nous discutons ensuite les relations entre expérience des discriminations et du racisme, et des corrélations avec l’altérisation des groupes. Nous terminons par une réflexion argumentée sur les processus de subjectivation et de conscientisation à l’oeuvre parmi les minorités racialisées, en traitant des formes de racisation à partir des marques et caractéristiques personnelles reliées à l’expérience raciste.
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 | 0.006 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.010 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| 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".