Bibliographic record
Abstract
À la suite du décès par Ebola d’un parent, une famille accuse l’État guinéen d’être responsable de sa mort. Qu’est-ce qui a conduit à porter une telle accusation? À partir d’une enquête ethnographique en République de Guinée, cet article montre de quelle manière l’histoire politique guinéenne a influencé le déroulement de l’épidémie d’Ebola de 2014 à 2016 dans les pays du fleuve Mano. Pour comprendre comment les crises politiques du passé façonnent le rapport des Guinéens à la crise sanitaire provoquée par Ebola, je procéderai en trois temps. D’abord, je reviendrai sur les violences d’État qui ont jalonné l’histoire politique de la Guinée depuis son indépendance en 1958. Une des conséquences de ces violences se manifeste par un manque de confiance systémique vis-à-vis des élites et des actions gouvernementales. Puis, je montrerai comment les camps d’internement militaires de Sékou Touré réactivent un rapport à l’enfermement induisant des rumeurs et des comportements de peur face aux Centres de traitement d’Ebola (CTE). Enfin, pour me déprendre des approches fondées sur les « réticences » de la population guinéenne aux dispositifs sanitaires de lutte contre l’épidémie, j’analyserai des formes de résistance s’inscrivant plus largement dans l’histoire des contestations politiques en Guinée.
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 | 0.004 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.015 | 0.016 |
| Scholarly communication | 0.008 | 0.009 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.005 | 0.009 |
| Insufficient payload (model declined to judge) | 0.017 | 0.005 |
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".