Racialized Emotional Labour: The Weight of Blackness in White Spaces
Notice bibliographique
Résumé
At the age of 17, from April 2016 to September 2016, I worked part-time at a yacht club on Toronto Island as a maintenance worker. I worked alongside another individual in the maintenance department, and we were both of Afro-Jamaican descent. The club had a predominantly white membership, with few customers who were people of colour. The staff was also mostly white, and there were only five other people of colour who worked there besides us, and none of them were black either. I found that, while interacting with members, I faced racialised remarks and assumptions based on my position as a maintenance worker and as a young black woman. To remain professional and avoid validating any of their racist assumptions, I employed a high level of emotional labour and restraint. In discussions with my Jamaican colleague, I found he faced similar racialised comments; he also felt it necessary to employ emotional control to uphold a palatable image. However, I also found that the non-black employees did not employ the same level of emotional labour. This is not an isolated experience. I have also had to engage in emotional labour in other workplaces. Moreover, it is common to hear about Black employees, especially Black women, performing emotional labour for non-black customers. Black female employees must employ more emotional labour when working in predominantly white spaces, especially in racialised occupations.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,014 | 0,011 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».