Muslim Stand-Up Comedy in the US and the UK: Incongruity, Everydayness, and Performativity
Notice bibliographique
Résumé
The objectives of this article are two-fold: to provide a review of the major figures and trends in Muslim American comedy and discuss certain techniques and approaches that have been used by stand-up comedians to counter predominant and discriminatory perceptions of the “Other”. To reiterate film critic Jack Shaheen’s argument in Reel Bad Arabs: How Hollywood Vilifies a People, the Western public is fed constructions of Islam as a “problem”; the terms “Arab” and “Muslim” are interchangeably used; Muslim men are depicted as “terrorists”; and Muslim women are depicted as “veiled and oppressed”. Much has been written on the generation and effect of stereotypes promoted by popular culture. However, stereotyped groups also use popular culture to speak for themselves. Popular culture also functions to resist, counter, push back against, and subvert stereotypes. In other words, the “Other” can speak for him or herself through popular culture as a means of contesting stereotypes that define Muslims and Arabs in terms of cultural and religious understandings that narrowly categorize individuals through attributes such as religiosity and femininity. This potential is being realized by second-generation Muslims familiar with the platforms created and provided by other marginalized groups in Anglo-American popular culture, and their work has come into its own especially in the aftermath of 9/11, a time that saw both the intensification of stereotypes and heightening of Muslim American consciousness. I concentrate on these specific stand-up comedians in the US and the UK, despite the fact that there are others in the diaspora who discuss Islamophobia, because these American and British comedians address all of the three most common stereotypes of Muslims: “Arab = Muslim”, the “terrorist”, and the “veiled and oppressed woman”.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,012 |
| Communication savante | 0,007 | 0,002 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».