Whitewashing Criminal Justice in Canada: Preventing Research through Data Suppression
Notice bibliographique
Résumé
Race and racism have long played an important role in Canadian law and continue to do so. However, conducting research on race and criminal justice in Canada is difficult given the lack of readily available data that include information about race. We show that data on the race of victims and accused persons are being suppressed by police organizations in Canada and argue that suppression of race prevents quantitative anti-racism research while not preventing the use of these data by the police for racial profiling. We also argue that when powerful institutions, such as the police, have knowledge that they keep secret or refuse to discover, it serves the interests of those institutions at the expense of the public. Fears that reporting of racial data will result in racial profiling or the stigmatization of racialized communities are not assuaged by the repression of this information. Stigmatization may still occur, and racial profiling can continue to happen, but without public knowledge. Quantitative anti-racist research requires consistent, institutionalized reporting of race data through all aspects of Canadian justice. We outline what data are available, what data are needed, and where consistency is lacking. It is argued that institutional preferences for white-washed data, with race and ethnicity removed, should be subrogated to transparency.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,330 | 0,502 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,012 | 0,021 |
| Études des sciences et des technologies | 0,030 | 0,030 |
| Communication savante | 0,017 | 0,010 |
| Science ouverte | 0,009 | 0,018 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».