Muslim Female Students and Their Experiences of Higher Education in Canada
Notice bibliographique
Résumé
Through conducting qualitative case studies on 10 Muslim female students in Canadian universities and drawing on theories of third-wave feminism, post-colonial feminism, and anti-racist feminism, this research explores the experiences of Canadian Muslim female university students. It explores how gender, race, ethnicity, and religion, and their intersection, impact Muslim female students’ identity construction and their overall experiences of higher education in Canada. This research investigates Muslim female students’ perceptions of, and reactions towards, the prevailing stereotypes about Muslim women in Canadian universities. It also explores how Muslim female university students perceive the hijab and wearing it in Canadian universities. The findings of this research indicate the significance of the hijab in the lives of Diasporic Muslim women, and the different meanings that those women identify for the hijab. The findings highlight race, racism, and Othering as prominent issues in Canadian universities. They further reveal the prevalence of a number of negative stereotypes about Muslim women in Canadian universities. These stereotypes homogenize Muslim women and (mis)represent them as oppressed by Islamic patriarchy. The study findings show the heterogeneity of Muslim women’s lives and identities, and emphasize the need for a nuanced analysis of the cultural, political, historical, and geographical contexts in which the practice of veiling is exercised. In addition, Muslim women are identified by the research as active agents who challenge the stereotypes through reifying the best representation of Muslim women and by educating non-Muslims about Islam and Islamic beliefs. Furthermore, the findings demonstrate the challenges associated with negotiating multiple identities amongst Muslim women and the supportive role that Muslim students associations play for Muslim women in maintaining their Islamic identities. The results of this research can have significant implications for policy makers at the higher education level. By informing university authorities and policy makers about the challenges that Muslim women face in Canadian universities, there is potential for improvements in the future.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».