Preface and Acknowledgments
Notice bibliographique
Résumé
This book is a collaborative effort by a team of seven Canadian critical race and social justice scholars.As part of our initial research planning, each of us elected to pursue an area of particular concentration.For example, Enakshi Dua's interest in equity policies and practices led her to study university equity offices; Howard Ramos and Peter Li chose to study income disparities and measures of achievement; Frances Henry, Carl James, Audrey Kobayashi (and, in an earlier phase, Carol Tator) conducted dozens of face-to-face interviews with racialized and Indigenous faculty; and Malinda Smith researched social science disciplines and the role of unconscious or implicit bias.After a presentation on the then recently released Racism in the Can adian University: Demanding Social Justice, Inclusion and Equity (Henry and Tator 2009a) at the Congress of the Humanities and Social Sciences, we had an animated discussion about the need for a national study, because of the scarcity of data on the number of racialized and Indigenous faculty in universities, pay equity structures, curriculum, climate, or incidents of discrimination, harassment, and bullying.For example, neither Statistics Canada nor the Canadian census publishes data on the percentages of racialized minorities in Canadian universities, either as faculty, staff, or students.While provincial governments publish data on student enrollment in universities by gender, and some based on Indigenous status, none of these governments publishes data for racialized minorities.Further, there are no data on the effectiveness of mechanisms, such as employment equity, affirmative action, and antidiscrimination policies.Thus, we felt that a large-scale national study was needed, and this book brings together four years of research on racism, racialization, and Indigeneity in the university.Reflecting the interdisciplinary field of critical race and Indigenous studies, our research team is composed of senior scholars from the disciplines of anthropology, education studies, geography, political science,
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,185 | 0,101 |
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 ».