Les mushers et les chiens de traîneau au Québec : une étude exploratoire avec l'ethnographie multi-espèces
Bibliographic record
Abstract
L'anthropologie multi-espèces s'intéresse aux relations entre les humains et les autres existants. Ainsi, elle met en avant les interconnexions entre tous les êtres et entités, et est en cela une forme critique de l'anthropocentrisme. Par conséquent, cette approche fait face à de nombreux défis dont celui de dépasser l'épistémologie de l'ontologie naturaliste et de l'ethnographie traditionnelle. C'est dans ce contexte que s'inscrit ce présent mémoire. C'est dans une période de profonds changements du regard sur les relations inter espèces que je me suis intéressé aux chiens de traîneau au Québec. L'objectif de cette recherche est d'explorer les méthodes proposées par l'anthropologie multi-espèces afin de décrire la relation entre l'humain et le chien de traîneau mais aussi entre chiens, ceux-ci étant des acteurs à part entière de cette relation. C'est donc par la mise en place d'une méthodologie reposant principalement sur l'observation participante en tant qu' « idiot privilégié » (Locke 2017), la photographie et la vidéographie et finalement des entretiens semi-dirigés, consécutivement à la nécessaire adaptation des méthodes suite à la rencontre du monde fermé des mushers, que cette recherche s'est déroulée.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.016 | 0.007 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.000 |
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".