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 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 | 0,012 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,025 | 0,019 |
| Communication savante | 0,011 | 0,005 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».