Racialization of public discourse: portrayal of Islam and Muslims
Notice bibliographique
Résumé
Many developed countries like the USA, UK, Canada and European countries have diverse communities, including Muslim community outreach, as a result of immigration turning the world into a global village for all religions. Persecuting any one religion can lead to unrest and damage the calm of the society at large. This study critically examines the trends and research findings on Islamophobic discourse from 2001 to 2022 by investigating how linguistic strategies have been employed to present Muslims and Islam, the racialization of Muslims, the sense of identity crisis, and the way Muslims encounter and resist Islamophobia. An empirical study is also conducted to analyze the media discourse on recent incidents in Canada and New Zealand. For this purpose, 56 research articles are retrieved from the databases of four publishers: Taylor & Francis, Sage Publication, Pluto Journals, and Science Direct. A systematic review methodology and content analysis of the elected articles reveals that qualitative methodology was used in most articles and the UK and the US are the focal countries where most of the Islamophobia studies are carried out. Interviews and print media are found to be the preferred data samples for Islamophobia research. The most common theme in the articles is how anti-Muslim ideology was constructed by painting negative images of Muslims and Islam and subsequently presenting them as 'others.' The multiple effects of Islamophobia was paid considerable attention by the researchers of the reviewed articles. Themes receiving less attention are Islamophobia for political gain, identity crises, and the racialization of Muslims, whereas the factors behind Islamophobia received scant attention. The development of Islamophobia as a topic within the field of critical discourse analysis has been understudied. A critical discourse analysis of two recent incidents in Canada (2021) and New Zealand (2019) shows how various linguistic strategies are employed to construct negative images of Muslims and Islam.
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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,009 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».