La catégorisation ethnique en Bolivie. Labellisation officielle et sentiment d'appartenance
Bibliographic record
Abstract
À l'heure où le président récemment élu de la Bolivie, Evo Morales, est largement, souvent ingénument, présenté comme un président indien - le premier de l'Histoire ! -, et où les conflits sociaux et régionaux qui s'exacerbent autour de lui tendent à s'ethniciser, ce livre s'interroge précisément sur le sens, le façonnage et l'usage des catégories de type ethnique dans ce pays. Contrairement à ce que l'on pourrait croire, savoir qui est indien, blanc ou métis, pour ne citer que les catégories les plus générales, est en effet loin d'être simple. Ce qu'il faut en fait se demander est Qui désigne qui de quelle façon, dans quel contexte et pourquoi ? Associant une étude détaillée des processus officiels de classement à l'oeuvre dans les recensements et l'analyse de pratiques locales fort diverses minutieusement observées sur le terrain, l'ouvrage permet, aussi, de mesurer l'écart entre labellisations officielles et catégorisations intimes, et de le comprendre dans son rapport avec l'histoire sociale et politique du pays. Or cet écart, avec ses effets de déphasage, est un phénomène général. L'analyse menée en Bolivie permet dès lors d'éclairer la démarche de reconnaissance et de distinction au fondement des combats identitaires qui fleurissent actuellement partout dans le monde.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.005 | 0.011 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".