Bibliographic record
Abstract
Le présent article traite la question suivante : comment introduire l’éthique du care dans l’enquête de terrain ? Il propose une démarche à la fois réflexive et applicative accompagnant le chercheur ou la chercheuse dans les différentes étapes de son enquête de terrain, en l’éclairant à partir de ma propre enquête de terrain. Il présente notamment la façon dont on peut appliquer des pratiques du care à une méthode d’enquête jusque dans son format de restitution à travers l’écriture de portraits d’enquêté·e·s. Il met en exergue en quoi l’introduction d’une éthique du care dans l’enquête de terrain permet de mieux appréhender certains objets de recherche, parfois invisibles aux yeux de ceux et celles qui n’y prêtaient pas attention, comme ici le travail du care en professions animalières, dont certaines caractéristiques propres au travail du care prodigué à des animaux dits de compagnie ont pu être définies. Enfin, il montre que penser l’éthique du care comme un mode d’enquête est non seulement faisable, mais aussi souhaitable, pour prendre au sérieux notre responsabilité en tant que chercheur·euse, vis-à-vis de nos enquêté·e·s, de nos pairs, de nos étudiant·e·s et de toutes les personnes invisibles. Ce texte illustre une démarche de recherche mobilisant le care à la fois comme objet de recherche, épistémologie et posture de recherche, dans une volonté de cohérence entre valeurs morales, déontologie et actions scientifiques.
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 | 0.005 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.008 | 0.029 |
| Scholarly communication | 0.008 | 0.006 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
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".