Racial microaggressions: Identifying factors affecting perceived severity and exploring strategies to reduce harm
Notice bibliographique
Résumé
Abstract Microaggressions are speech or actions constituting indirect, subtle, or unintentional acts of discrimination, and awareness of their harmful effects has grown in recent years. Increased awareness could improve inter‐group interactions, but also poses challenges. Fear of misspeaking, or fear of being subject to microaggressions can stifle interactions. We investigated how people from different racial and ethnic groups and political orientations judge the severity of various forms of racial microaggressions, and we tested a specific strategy to mitigate the harm of racial microaggressions. Specifically, in Experiment 1, White participants (WP) and participants of colour (POC) rated the severity of various microaggressions (depicted in vignettes). Participants also reported their political orientation and strength of racial/ethnic identity. Regardless of racial/ethnic group, left‐leaning political orientation was associated with higher perceived severity of racial microaggressions. Furthermore, severity ratings from POC were higher for those who identified more strongly with their ethnic/racial group. In Experiment 2, we again obtained severity ratings, but we used microaggression vignettes that were manipulated to reveal the source s mindset as either reparatory and open‐minded (ROM), or not. Critically, severity ratings were significantly lower for vignettes in which ROM was messaged. The importance of these results is twofold. First, they reveal that political orientation can override other factors like racial group membership when judging the severity of racial microaggressions, and second, they show that augmenting problematic speech with information about mindset, can mitigate perceived harm. Overall, this work contributes to a richer understanding of microaggressions, and has implications for theory and practice.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».