Resisting Islamophobia: Muslims Seeking American Integration Through Spiritual Growth, Community Organizing and Political Activism
Notice bibliographique
Résumé
Since 9/11, second-generation Muslims have experienced an increase in religious discrimination that has presented several challenges to their American integration. Scholars have noted that Muslims are often marginalized and “othered” because of their religious beliefs, attire choices and non-Western ethnic origins. In New York, Arabs, South Asians and Africans are the predominant ethnic groups practicing Islam. Although Muslim communities are ethnically and racially diverse, they are categorized in ways that have transformed their religious identity into a racialized group. This new form of racial amalgamation is not constructed on underlying skin color similarities but on their religious adherence to Islam. The War on Terror has complicated the image of Muslims by circulating Islamophobia, or the fear of Muslims and Islam, onto American society. Political rhetoric targeting Muslim communities has also incited new ways of misinterpreting Qur’anic text to further marginalize them. Second-generation Muslim Americans are responding to Islamophobia by reframing the negative depictions about their identities through community-based activism. This paper takes an intersectionality approach to understanding how Muslims across the New York metro area are managing their religious identities as they seek to develop a sense of belonging in American society. This ethnographic case study addresses how second-generation Muslims are resisting Islamophobia through community building, civic engagement, and college student associations. Countering Islamophobia has become part of the everyday life experience for Muslims in New York and is currently their main trajectory for integration into American society.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes 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 ».