Notice bibliographique
Résumé
This paper delves into the ongoing issue of anti-Asian racism in Canada, particularly during the Covid-19 pandemic. Despite being a diverse country, Canada has a long-standing history of discrimination towards people of Asian heritage. The Covid-19 pandemic has only exacerbated this issue, with a significant increase in reported crimes and incidents of racism towards Asian or Asian-appearing individuals. The paper focuses on identifying and interpreting the most relevant data from various sources on anti-Asian racism in Canada during the pandemic. The author aims to compare and contrast these data sets to understand the underlying trends and factors that contribute to anti-Asian racism in Canada. However, the author notes the challenges of relying on available data sets to inform the public and policymakers. Officially collected crime statistics and non-official online self-reporting data have their limitations in accurately reflecting the scope of anti-Asian racism in the country. The paper concludes that accurate statistics are essential in combating anti-Asian racism in Canada. However, the lack of reliable data is concerning. The author emphasizes the importance of continuing the search for better ways to collect accurate statistics while being cautious in using existing data to avoid misleading the public and policymakers. Overall, this paper highlights the urgent need for Canada to address the issue of anti-Asian racism, particularly in the wake of the Covid-19 pandemic. It is a call to action for policymakers, activists, and the public to work together towards creating a more inclusive and accepting society.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,032 | 0,010 |
| Communication savante | 0,014 | 0,004 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».