What Does Race Have to Do With It? Challenging the Preservice Admissions Process
Notice bibliographique
Résumé
Bien que le Canada ait établi une politique fédérale sur l’équité de l’emploi, ces initiatives dépassent la force de travail dans le domaine des admissions universitaires où les candidats sont souvent confrontés à la possibilité d’être identifiés comme des «minorités visibles». Il existe, cependant, beaucoup d’ambiguïté autour de la façon dont les données recensées sont utilisées et les raisons même qui fondent la recherche de la diversité. Dans le domaine de l’éducation, les discours dominants attestent que les enseignants devraient refléter l’accroissement de la population estudiantine diversifiée, mais comment cela affecterait la façon dont les personnes racialement étiquetées aborderaient le processus d’admission? Comment les éducateurs racialement étiquetés appréhendent-ils le rôle de la race et de l’équité dans le processus des services préadmissions? L’usage d’un cadre théorique antiraciste, des entretiens individuels approfondis avec 21 enseignants racialement étiquetés révèlent la complexité des initiatives d’équité ignorant comment l’information démographique des candidats est utilisée, de nombreux participants expriment un sentiment de frustration, d’insécurité et de confusion. Le manque de transparence et les politiques d’informations destinées à des objectifs d’équité ont plutôt conduit à la dissémination des malentendus au sujet de l’importance de ces initiatives dans la promotion de l’accès à la diversité des individus. La perspective interne des enseignants racialement étiquetés contribue à la compréhension plus approfondie de la façon dont les politiques d’équité sont interprétées et démontre les effets néfastes qu’elles peuvent avoir sur les personnes qu’elles supposent soutenir.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».