Using Narrative Inquiry to Understand Anti-Muslim Racism in Canadian Nursing
Notice bibliographique
Résumé
BACKGROUND: Islamophobia or, anti-Muslim racism, and more specifically, gendered islamophobia targeting Muslim women who wear a hijab is rising globally and is aggravated by the COVID-19 pandemic. However, anti-Muslim racism is not well understood in Canadian nursing. PURPOSE: This study utilized narrative inquiry to understand anti-Muslim racism through the experiences of nurses who wear a hijab with the goal of putting forward their counter-narrative that disrupts anti-Muslim racism in Canadian nursing. METHODS: Narrative inquiry informed by Critical Race Feminism, care ethics, and intersectionality were used to analyze the factors shaping anti-Muslim racism and composite narratives were used to present the results. RESULTS: The three composite narratives are: 'This is Who I Am: A Muslim Nurse with a Hijab and an Accent'; 'I Know What is at Play: Unveiling Operating Power Structures and Power Relations'; and 'Rewriting the Narrative: Navigating Power Structures and Power Relations'. These composite narratives constituted the nurses' counter-narrative. They revealed intersections of gendered, racial divisions of labour and religious narratives that shape anti-Muslim racism, as operating power relations in nursing, and how Muslim nurses reclaimed control to resist their racialized stereotypes. CONCLUSION: Findings suggest that anti-Muslim racism in nursing operates through multiple intersecting power relations. Using stories can mobilize transformational change so that anti-racist practices, policies, and pedagogy can be embraced.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».