Introduction aux Études critiques en autisme (ÉCA) issues de la recherche anglophone
Bibliographic record
Abstract
Ces dernières années, un corpus émergent d’Études critiques en autisme (ÉCA) s’est développé dans le but de coconstruire des connaissances scientifiques avec et pour les communautés autistes. Alors que la plupart des ÉCA proviennent du Royaume-Uni et de l’Australie (p. ex., Chown et collab., 2017; Pellicano et collab., 2014), très peu d’entre elles découlent de la recherche en français. Afin de combler cette lacune, cet article vise à introduire les ÉCA dans la littérature scientifique en français. Nous commençons par présenter les fondements à l’origine du mouvement pour la neurodiversité dans lequel les ÉCA s’inscrivent (Chamak, 2010; Nicolaidis, 2012). Ensuite, nous proposons un survol des théories importantes dans la recherche en autisme, soit le modèle médical et le modèle social du handicap (Chamak, 2010, Rosqvist et collab., 2019). Nous poursuivons en décrivant les principes des ÉCA, soit : la reconnaissance des dynamiques de pouvoir, la mise en relief de la contribution des personnes autistes et l’adaptation de l’environnement d’enquête (Fletcher-Watson et collab., 2019; Pickard et collab., 2021; Rosqvist et collab., 2019; Waltz, 2006). Au regard de ces postulats, nous discutons des obstacles potentiels en lien avec le développement des relations de confiance, les exigences pratiques et l’investissement financier nécessaire, tous indispensables pour soutenir les méthodes collaboratives (Pickard et collab., 2021; Rosqvist et collab., 2019). Cet article se conclut par des pistes de réflexion qui vont au-delà de la recherche : le changement de langage associé à l’autisme (Fletcher-Watson et collab., 2019; Woods, 2017) et la modification environnementale pour l’inclusion des personnes neurodivergentes (Fletcher-Watson et collab., 2019).
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 | 0.013 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.007 | 0.018 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.006 |
| 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".