高强度（每隔一页突出显示引文）
中等强度（每三至四页引用一次）
低强度（每五页或更少引用一次）。
4. 转型中的科学自我：民族学客观性的简史
[ 21 ]在对收集到的数据进行以下解释时，不仅要探讨有关表征惯例、类型程序的形成效应以及客观性和主观性的框架条件等关键问题，正如上文方法论部分开头所阐述的那样。即使在记录 103 篇民族志的过程中，也出现了更具体的问题：
根据所研究的民族志文献，我们可以得出哪些关于民族志写作随时代发展的结论？
关于可信度策略和偏离惯例的陈述有哪些可能？
[ 22 ]为了评估和解释收集到的数据，使用了那些在方法论部分中已经描述过转 巴拉圭电报数据 换成数值的值。这些数据以表格形式提供[19] ，并构成了下面使用的可视化的基础。第一步，对收集到的值进行聚类，以确定副文本的组合是否出现典型模式，并在此基础上，是否可以将文本归纳为在所考虑的特征方面可以尽可能同质描述的组。这些探索性分析最初使用统计软件 R 进行，并将结果可视化为树状图（参见数据出版物）。然而，常见聚类方法的挑战——特别是在分析大量调查对象时——在于对聚类结果的解释：尽管组的形成提供了粗略的方向，但是将单个对象分配给由聚类算法计算出的组的情况并不少见，这种情况是难以理解的，或者只有熟悉单个文本及其特征的分析师才能理解。在对基于数值的分组进行迭代探索之后，进行了第二步对文本进行聚类，以图形方式说明数值，从而使即使不熟悉单个文本本身的读者也可以理解。本次聚类是使用免费工具Bertifier [20]进行的。 它结合了两种功能：首先，它对具有相似值的记录进行汇总和分组，将远远超出一组记录的典型值的记录放置在组之间的过渡区域中。此外，该工具还允许您对单个数据系列进行加权，以强调引用和注释的特殊重要性。另一方面，该工具可用于将数值转换为视觉符号（例如点和条），以方便进行图形评估，并更清楚地区分各组。总体而言，Bertifier 能够有针对性地编辑群体形成程序的结果，从而底层值仍然可见，因此与计算集群不同，是可以理解的。