European Approaches to Stopping Islamophobia are Inadequate: Lessons for Canadians Combating Anti-Muslim Racism and Hatred
Notice bibliographique
Résumé
The United Kingdom, France, and Spain have in common a large and growing Muslim population. The influx of immigrants and refugees has left many European states fearful of Muslim migrants because they perceive potential increases in terrorism and job insecurity, which would have significant social and economic policy implications. European governments have sought to strengthen security measures and immigration laws, often with consequences that disproportionately and negatively affect Muslims. At the same time, European governments have increased their efforts to address Islamophobia and improve Muslim integration, partly in response to the growth in the reporting of anti-Muslim hate crimes. Each of the aforementioned states has adopted different approaches to tackle issues affecting Muslim communities. Although some of the countries (e.g., Spain) have taken positive approaches in the fight against Islamophobia, others (e.g., France) pave the way for social disintegration and segregation by entrenching low socioeconomic status, passing discriminatory laws, and blaming violent attacks on Muslims as a whole. It appears that the European nations examined in this comparative analysis have failed, to varying degrees upholding values of equitable diversity and encouraging meaningful dialogue with Muslim organizations. Their approaches demonstrate a clear lack of adequate governmental response to growing levels of Islamophobia.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,023 | 0,006 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».