Bibliographic record
Abstract
C’est à John Collier que l’on doit d’avoir posé les bases de la méthode de l’entretien par photo-élicitation. L’article propose à la discussion la thèse d’une certaine persistance contemporaine d’un double impensé épistémologique présent dans l’argumentaire de John Collier. Il semble en effet que l’on ne se soit pas complètement affranchis aujourd’hui d’une illusion persistante de transparence de l’image photographique tout comme d’une épistémologie positiviste conjuguant dénégation de la relation d’enquête comme relation sociale et persistance d’un idéal d’observateur témoin invisible. Cet article se propose donc, à partir d’une revue de la littérature récente sur le sujet, de rendre compte de la persistance contemporaine de ce double impensé épistémologique concernant l’usage des images photographiques comme support d’entretien dans l’enquête de terrain pour ensuite proposer quelques pistes d’analyse réflexive de ce que faire parler à partir d’images montrées veut dire dans la démarche de recherche, à commencer par les effets induits par la construction sociale des documents photographiques commentés dans la production des données en entretien.
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 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.024 |
| Scholarly communication | 0.014 | 0.019 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.017 | 0.003 |
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".