Hailing in the Face of Covid-19: On the Uses and Abuses of Heroism
Notice bibliographique
Résumé
In this paper, we examine the paradoxes of hailing health care workers as “Covid-19 heroes” in Canada and the United Kingdom. We ask how public discourses—primarily by governments, politicians, mainstream media, but also by racially minoritized groups and migrant-led associations—frame the ambiguous social and legal status of mostly women of color “essential” health care workers during the pandemic. We argue that hailing is a form of conditional inclusion. Hailing involves both the camouflaging of individuals’ low-class status, precarious position in the workplace, gendered and racially minoritized positionality and insecure/non-permanent immigration status on the one hand, as well as the potential for resistance, emancipation, wider organizing, and claims-making on the other. Through a focus on Filipino/a workers because of their high levels of representation as health care staff in both contexts, our empirical analysis underlines that hailing as conditional inclusion is asymmetrical and unequal. It enables co-optation and deflection from structural inequalities as the price of conditional inclusion of selected individuals and groups. However, at the same time, hailing generates resistance. Through “tiny openings” these contradictions are named, and the binary language of inclusion/exclusion is challenged.
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 | 0,011 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,027 | 0,091 |
| Communication savante | 0,016 | 0,011 |
| Science ouverte | 0,001 | 0,013 |
| Intégrité de la recherche | 0,004 | 0,007 |
| 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 ».