A Plague of Racism: An Analysis of the Racialization of the Plague Throughout History
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Corona virus is not unique in its racialization of disease. Throughout history pandemics have been blamed on particular nations and given names based on that—the Spanish flu, or the “Russian Influenza”. This is a two-prong issue of racism in pandemics, firstly is blaming the issue on a particular group, and second is not providing proper health care to racialized groups. In Canada today, Aboriginal, Metis and Inuit people provide inadequate health care based on their remoteness, in America today black communities are disproportionately affected by the Carona virus. And today with the Carona virus there has been a massive increase in anti-Asian hate crimes. This is not unique in history however, the plague that devastated much of Europe and later India was blamed primarily on racialized groups. These groups became seen as simultaneously the victims and the perpetrators of the disease. The plague represents perfectly the combination of improper treatment of disease based on race and the blaming of a pandemic on a racialized group. The plague alone has been blamed on Chinese people in Hawaii, Indians in India and Jews in Europe. Although the racialization of disease is not new, it is based on incorrect assumptions and is incredibly problematic. In particular, India is one of the best examples of the ignorance involved in the racialization of disease. In the case of India, the British government ignored the fact that the poor living conditions were caused primarily by their own actions and not those of the “dirty natives”, ignored the fact that the disease did not originate in India, ignored that Britain itself experienced a more severe pandemic of the same bacterium and ignored traditional methods of healing. Department: Interdisciplinary Dialogue Project Faculty Mentor: Dr. Aidan Forth
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.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle