Data Laundering Border Violence: Performance Measures and Immigration Enforcement
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
On July 8, 2020, the Office of the Auditor General of Canada (OAG) tabled its report on immigration removals, finding that the Canada Border Services Agency (CBSA) fails to enforce deportations in a timely manner and has abysmal record-keeping practices. The report concludes that these failings undermine the integrity of Canada’s immigration system and endangers the public. Critical Accounting scholarship problematizes auditing for legitimizing harmful processes through the guise of scrutiny. The OAG audit of the CBSA overlooks the well-documented systemic abuses of the CBSA in administering migrant detention. The article argues “performance audits” are a governmental technology called data laundering that rationalizes the violence inherent in immigration enforcement. Data laundering obscures the fact that policing migration depends on broad discretionary powers, leading to opaque and inconsistent data practices. “Laundering” signals auditing’s inability to be sufficiently adversarial with a sector of law enforcement whose poor data-keeping practices maintains an illusion of recordkeeping as a form of power. Audit dependence on quantitative forms of data increases violence against immigrants; when violent deportation and detention measures are quantified, this presumes an acceptable ledger of force that accounts for, and in so doing legitimizes, state enactment of violence upon vulnerable people.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle