Socio-structural Injustice, Racism, and the COVID-19 Pandemic: A Precarious Entanglement among Black Immigrants in Canada
Notice bibliographique
Résumé
As several commentators and researchers have noted since late spring 2020, COVID-19 has laid bare the connections between entrenched structurally generated inequalities on one hand, and on the other hand relatively high degrees of susceptibility to contracting COVID-19 on the part of economically marginalized population segments. Far from running along the tracks of race neutrality, studies have demonstrated that the pandemic is affecting Black people more than Whites in the U.S.A. and U.K., where reliable racially-disaggregated data are available. While the situation in Canada seems to follow the same pattern, race-specific data on COVID-19 are hard to come by. At present, there is no federal mandate to collect race-based data on COVID-19, though, in Ontario, at the municipal level, the City of Toronto has been releasing such data. This paper examines the entanglements of race, immigration status and the COVID-19 pandemic in Canada with particular emphasis on Black immigrants and non-immigrants in Toronto, using multiple forms of data pertaining to income, housing, immigration, employment and COVID-19 infections and deaths. Our findings show that the pandemic has had a disproportionate negative impact on Black people and other racialized people in Toronto and, indeed, Canada.
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 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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».