Etnografia realista: uma proposta para vivenciar um objeto de estudo “na própria pele”
Bibliographic record
Abstract
Resumo A etnografia realista é especialmente recomendada em pesquisas que abordam temas relacionados à cultura corporal, pois exige do pesquisador um grau de envolvimento que borra as fronteiras entre a vida pessoal, profissional e acadêmica. O objetivo deste artigo é apontar as vantagens da utilização dessa metodologia específica em um ambiente esportivo e oferecer suporte teórico e metodológico para aqueles que pretendem vivenciar tal empreendimento etnográfico. Para tanto, nos valemos do processo de investigação adotado em uma pesquisa de doutorado que versou sobre a relação entre coach e pupilo de fisiculturismo. Este artigo se divide em três momentos principais, que têm como fio condutor o processo empírico que compreende a forja de um atleta de fisiculturismo: no primeiro momento, realizamos uma aproximação à etnografia realista; no segundo, destacamos as estratégias de rigor metodológico e validez interpretativa relacionadas ao fazer etnográfico realista; no terceiro, por fim, apresentamos uma proposta de operacionalização da movimentação analítica dos achados prospectados em campo. Finalmente, salientamos que a etnografia realista permite captar “desde dentro”, e de forma profundamente implicada, os elementos constituintes de uma cultura muito particular, no caso a relação de obediência entre pupilo e coach de fisiculturismo, à qual não teríamos acesso sem a imersão corporal profunda de um pesquisador em um dos polos dessa relação.
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 | 0.014 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.007 |
| Science and technology studies | 0.008 | 0.030 |
| Scholarly communication | 0.022 | 0.019 |
| Open science | 0.003 | 0.009 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.013 | 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".