Race, Education and #BlackLivesMatter: How Social Media Activism Shapes the Educational Experiences of Black College-Age Women
Notice bibliographique
Résumé
The #BlackLivesMatter movement, which rose to prominence following the state-sanctioned murders of several unarmed Black Americans, shed light on the power of social media to serve as a platform for transformative resistance, counter-storytelling, and civic engagement for marginalized youth. With some of the highest rates of social media use to date, it is not altogether surprising that Black college-age youth, particularly young Black women, were the primary curators of the politicized social media storm that captured the nation’s attention and spurred a viral hashtag into a historical movement. While Black women’s persistent use of social media to enact resistance in their schools, in their communities and in popular media is indicative of its importance in their socio-academic experiences, there remains a substantial dearth in educational scholarship examining the nexus of race, gender and resistance as it relates to the digital realm. By drawing upon critical race theory in education (CRT), Black feminist thought (BFT), and Black Feminist Technology Studies (BFTS), this study centers the voices of 17 Black undergraduate women from eight universities across the US and Canada in an attempt to answer these research questions. Findings revealed the ability of social media to provide young Black women with a sense of safety, visibility, and community that is not regularly available in offline settings. In addition to the benefits of digital resistance, this study also illuminated a spectrum of unintended health impacts of reading, responding to and witnessing anti-Black violence online. A growing skepticism of internet technology to single handedly transform society also emerged from the findings.
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 | 0,000 | 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 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 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 ».