MétaCan
Menu
Retour à la cohorte
Enregistrement W4206207330 · doi:10.1017/s073824802100016x

Policing, Profits, and the Rise of Immigration Detention in New York's “Chinese Jails”

2021· article· en· W4206207330 sur OpenAlexaboutno aff
Brianna Nofil

Notice bibliographique

RevueLaw and History Review · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueRace, History, and American Society
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésImmigration detentionImmigrationPolitical scienceChinese americansScholarshipLawImmigration lawHabeas corpusCriminologyDeportationCommodityOrder (exchange)ConstitutionSociologyBusiness

Résumé

récupéré en direct d'OpenAlex

“Policing, Profits, and the Rise of Immigration Detention in New York's ‘Chinese Jails’” explains how Chinese exclusion law created a “detention economy” in upstate New York. From 1900–1909, Northern New York jails held thousands of Chinese migrants who had been apprehended by immigration authorities crossing the U.S.-Canada border, and had filed habeas corpus claims in district courts. While scholarship on Chinese Exclusion has addressed the legal battles around due process, it has overlooked the detention infrastructure that these claims produced. Because the federal immigration service had no detention facilities in the region, they “boarded out” Chinese detainees at local jails, paying counties a nightly rate for each migrant held. These contracts transformed Chinese migrants into a commodity for rural communities looking to secure federal cash, with four Northern New York counties constructing separate “Chinese Jails” in order to increase the number of Chinese migrants they could incarcerate. This article challenges the scholarship that has presented immigration detention as a Cold War era development, instead showing how communities profited off jailing migrants at the turn of the century. Through the case of U.S. v. Sing Tuck, I argue that immigration officials eventually turned to the courts to streamline deportations and reduce their need for jail space.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,878
Score d'incertitude au seuil0,986

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,281
Écart entre enseignants0,260 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLaw and History ReviewMême sujetRace, History, and American SocietyTravaux en français237 207