Épistémologie de la recherche qualitativeen terrains africains : considérations liminaires
Bibliographic record
Abstract
La recherche portant sur l’Afrique a très tôt été inscrite dans le cadre de rapports politiques de domination et a été instrumentalisée sous la dénomination de recherche africaniste. Cette distorsion originelle, qui s’est traduite dans la recherche sous le registre du manque, a donné lieu à certaines tentatives de correction de la part de chercheurs, africains et non africains. Dans cet article, nous interrogeons la validité et les limites de la mobilisation d’une catégorie aussi vaste que l’Afrique pour labelliser la recherche et nous retraçons les enjeux épistémologiques liés à différentes formes de positionnement de la part des chercheurs oeuvrant sur le continent africain et dans la diaspora. À partir de cet état des lieux, nous considérons les implications liées à l’utilisation de certaines techniques de collecte de données caractérisées par les interactions verbales dans des environnements eux-mêmes qualifiables de contextes oraux. Nous terminons en montrant que la recherche qualitative, en mobilisant une approche interprétative et compréhensive et en prenant certaines précautions, est particulièrement bien outillée pour intervenir dans les terrains africains de manière adéquate et fructueuse.
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 | 0.035 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.006 |
| Science and technology studies | 0.010 | 0.046 |
| Scholarly communication | 0.014 | 0.014 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".