Gender-based violence as difficult knowledge: pedagogies for rebalancing the masculine and the feminine
Notice bibliographique
Résumé
Gender-based violence is a staggering but normalized global phenomenon, illustrated by the global reach of the #MeToo movement. Gender-based violence and the impacts of trauma enter learning spaces daily, acknowledged or not. Adult learners often respond to learning about gender relations with avoidance, denial, fear, defensiveness and trivialization, all facets of resistance. Britzman calls this ‘difficult knowledge’. Yet, education does reduce gender-based violence. The first step toward trauma-informed education is awareness of the pervasiveness of gender-based violence and its reverberations in education. Thus, we provide a global snapshot of statistics and definitions. Second, we describe an extensive literature review which revealed little explicit attention to gender-based violence in the field, reproducing hiddenness and ‘unspeakableness’. Third, we analyze the myths and theories about gender-based violence echoed by learners, which either reproduces the conditions of violence or creates opportunities for transformative learning. Drawing from masculinity and feminist studies, we analyze how genders are educated into patriarchy and violence, largely through informal education. We then propose principles for unlearning violence and trauma-informed education as well as guidance for addressing difficult knowledge and learner resistance. By unflinchingly addressing the deep structure of patriarchy, educators can design pedagogies for rebalancing the Masculine and the Feminine.
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 | 0,001 |
| 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 ».