If You See Something, Say Something : an anti-oppression framework for recognizing and responding to microaggressions in our libraries
Notice bibliographique
Résumé
“Well, they ended up hiring someone who was in one of those diversity residency programs, so it’s no wonder I didn’t get an interview.”\n“It’s not like we really NEED a gender neutral bathroom in the library.”\n“Can you do the session for my class in the library lab? I know there aren’t enough computers to go around, but the students all have their own laptops, anyway, so they can just bring those.”\nAs librarians, we have a responsibility to take care of ourselves, our colleagues, and our patrons by ensuring that the libraries we work in are safe spaces.\nStatements like the ones above are examples of microaggressions, defined as “verbal, behavioral, and environmental indignities, whether intentional or unintentional, that communicate … slights and insults to the target person or group (Sue et al 2007).” These often thoughtless statements, whether they come from colleagues or patrons, can insidiously turn our libraries into unsafe spaces.\nCreating and maintaining a safe and welcoming environment in our libraries requires an anti-oppression mindset, motivation to act, and the skillset to address intolerance at all levels, from hate speech to unchallenged microaggressions.\nRepurposing New York City’s If You See Something, Say Something slogan provides us with a framework to identify and address microaggressions. In this brief presentation, we will introduce strategies for recognizing and responding to microaggressions when working with students, faculty, community members, or coworkers.\nSue, D., Capodilupo, C. M., Torino, G. C., Bucceri, J. M., Holder, A. B., Nadal, K. L., & Esquilin, M. (2007). Racial microaggressions in everyday life: Implications for clinical practice. American Psychologist, 62(4), 271-286. doi:10.1037/0003-066X.62.4.271
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 | 0,016 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,023 | 0,071 |
| Communication savante | 0,019 | 0,014 |
| Science ouverte | 0,004 | 0,018 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».