Gender-Based Violence Against Trans* Individuals: A Netnography of Mary Gregory’s Experience in Powerlifting
Notice bibliographique
Résumé
In the context of sport, a growing body of research has reported the prevalence of violence against athletes, including sexual, physical, and psychological violence and neglect, experienced by both women and men in sport. Preliminary research has reported that gender-diverse individuals, specifically transgender athletes, may have a greater vulnerability to experiences of violence in sport, but this remains an under-researched population. In addition to limited research specifically on violence experienced by transgender athletes in sport, there is also only emerging research on virtual violence against athletes, with previous research on virtual violence in sporting spaces highlighting how online spaces are sites that can foster widespread hostility and violence. This study builds on previous research by examining discourses of virtual violence faced by transgender powerlifter, Mary Gregory, following her expulsion from the 100% Raw Powerlifting Federation. This research used a netnographic approach-an online ethnographic case study design. Data were collected from online news sources, as well as social media platforms, including Instagram, Twitter, and YouTube and were analyzed using reflexive thematic analysis. The data provided an insight into the cyberculture of powerlifting, and the negotiation of space, or lack thereof, for Mary Gregory within this physical culture. Five themes of were generated, including invalidation of gender identity, dehumanization, infliction of derogatory and crude language, accusations of cheating, and being compared to cisgender athletes without nuance. The study highlights the presence of significant vitriol across virtual platforms directed at Mary Gregory and the underlying presence of negative gender-based violence again trans* (GBV-T*) discourse. This case provides examples of virtual gender-based violence and transphobia in sport, a lack of readiness to accept trans* athletes, and concerns for the safety of trans* athletes in sporting spaces.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,018 | 0,012 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».