Entendre et comprendre les expériences de désastre par la recherche narrative
Bibliographic record
Abstract
Les événements météorologiques extrêmes (EME) et les désastres qu’ils entrainent provoquent des conséquences psychosociales qui sont modulées en fonction de différents facteurs sociaux. On constate aussi que les récits médiatiques et culturels qui circulent au sujet des EME ne sont pas représentatifs de l’ensemble des expériences de personnes sinistrées : celles qui en subissent les conséquences les plus sévères tendent aussi à être celles qu’on « entend » le moins dans l’espace public. Ces personnes sont ainsi susceptibles de vivre de l’injustice épistémique, ce qui a des effets délétères sur le soutien qu’elles reçoivent. Face à ces constats s’impose la nécessité de mieux comprendre la diversité des expériences d’EME et d’explorer des stratégies pour soutenir l’ensemble des personnes sinistrées dans leur rétablissement psychosocial. Cet article soutient que la recherche narrative peut contribuer à répondre à ces objectifs. En dépeignant des réalités multiples, la recherche narrative centrée sur les récits de personnes sinistrées présente aussi un intérêt significatif pour l’amélioration des pratiques d’intervention en contexte de désastre.
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 | 0.011 | 0.021 |
| 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 | 0.014 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.001 | 0.009 |
| 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".