Exclusion in #MeToo India: rethinking inclusivity and intersectionality in Indian digital feminist movements
Notice bibliographique
Résumé
The #Metoo movement spread globally to include women in India who were employing social media platforms to discuss their experiences in sexual abuse and harassment. This paper investigates through literature review and data collection, why #MeTooIndia demonstrates a non-inclusivity towards marginalized, and gendered bodies and narratives on the Twitter platform. This exclusion is primarily the product of increased attention to issues of sexual abuse among the Indian elite including Bollywood celebrities, journalists, politicians, and well-known media personalities who employ Twitter as a space for “coming-out.” Secondly, non-inclusivity is evidenced through lack of discussion on the question of sexual abuse, and harassment in the daily lives of Dalit, trans women, women of lower caste and class, and other marginalized and gendered communities that have vastly different experiences of sexual abuse than the elite, urban woman. Finally, exclusion is exposed through the sparsity of personal narratives under the same hashtags owing to masculine toxicity as well as the creation of unsafe spaces for gendered minorities to recount their experiences. This research employs theory of intersectionality to ultimately rethink how to design and organize feminist movements online in order to create safer, more inclusive, and intersectional spaces for feminist activism.
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 | 0,010 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,014 | 0,032 |
| Communication savante | 0,018 | 0,013 |
| Science ouverte | 0,002 | 0,017 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».