Gender and environmental education in the time of #MeToo
Notice bibliographique
Résumé
[Extract] The second special issue of The Journal of Environmental Education devoted to gender and environmental education comes at an interesting moment in popular culture. The #MeToo movement, founded by activist Tarana Burke in 2006 to support girls and women of color who had experienced sexual violence, became a global phenomenon in 2017 when celebrities popularized the phrase as a hashtag when discussing sexual violence and harassment in the entertainment industry. The hashtag took off, with 12 million tweets in the first 24 hours (Mendes, Ringrose, & Keller, 2018), from 85 different countries that had at least 1,000 tweets each (Park, 2017, para. 1). While the movement has been galvanizing for many (Mendes et al., 2018), feminist scholars nonetheless have concerns about its unfolding, including the erasure of Black activist women in many accounts (Emejulu,2018) and lack of awareness of how race, class, and celebrity status are factors that influence why certain testimonies are more likely to be heard and believed (Zarkov & Davis, 2018). Zarkov and Davis (2018) also worry that too much focus on individuals may downplay that sexual violence is a collective problem that requires "grass-roots activism as well as transforming institutions" (p. 5). At this point, as Mendes et al. (2018) observe, "we still know very little about what hashtags like #MeToo actually do; or whether and how they can produce social change" (p. 3).
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 | 0,001 | 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 | 0,000 |
| 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 ».