Description du projet
Façonner l’aide sociale dans des paysages de données incertains
Dans de nombreux pays africains, les systèmes de protection sociale peinent à orienter les ressources en raison de données incomplètes sur leurs populations. Les systèmes statistiques nationaux sont souvent disparates, ce qui rend difficile pour les gouvernements d’identifier les bénéficiaires des prestations sociales. Il est difficile de planifier et de distribuer les ressources de manière à répondre aux besoins des plus vulnérables. Dans ce contexte, le projet ModelFutures, financé par le CER, entreprendra des recherches ethnographiques au Botswana, au Ghana, au Kenya et au Sénégal. En explorant la manière dont les États établissent des projections en matière d’aide sociale dans le contexte de ce manque de données, le projet étudie le rôle des modèles statistiques dans l’élaboration des politiques d’aide sociale. Il examine également la manière dont les experts adaptent les modèles globaux aux contextes locaux, produisant ainsi de nouvelles perspectives en matière de planification de l’aide sociale fondée sur des données probantes.
Objectif
Welfare systems rely on extensive knowledge about the population to plan, finance, and expend limited resources in a targeted manner. In view of their often-fragmented national identification and statistical systems, Africas emerging welfare states are thus facing significant challenges in their capacity to establish categories of welfare entitlement and to target groups for intervention. Led by the PI, ModelFutures team will carry out ground-breaking, comparative ethnographic research at the statistics-welfare nexus of four African country cases Ghana, Senegal, Kenya and Botswana to understand: How do states generate truths about future welfare in contexts of uncertain knowledge about the population and its wellbeing? The projects threefold objectives aim to (1) trace statistical modelling practices in the context of multi-facetted uncertainties about the population and its environs; (2) analyse the impact of adaptations and creative data practices on quantitative truth claims; and (3) connect statistical future-making and anticipatory welfare politics in sites of statistical innovation. ModelFutures ambition significantly extends beyond the state of the art of our understanding of statistical world-making by developing a novel concept of vernacular prediction that attunes to experts skilful adaptations of globally circulating computational models and standards, while attending to their modelling practices co-constitution with symbolic commitments and situated infrastructural arrangements. Combining expertise from anthropology, science and technology studies, and population statistics, ModelFutures generates novel theory on the production of evidence-based welfare policies in contexts of contested claims to the validity of data, methods, and the anticipatory politics that play out between short-term mitigation efforts and the pursuit of long-term dividends.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Programme(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thème(s)
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) ERC-2024-STG
Voir d’autres projets de cet appelRégime de financement
HORIZON-ERC - HORIZON ERC GrantsInstitution d’accueil
2300 Kobenhavn
Danemark