Diminishing defensiveness in anti-racist discourse: Common pushbacks to online anti-racism content and suggestions for strategic maneuvers
Notice bibliographique
Résumé
When students are confronted with the knowledge that racism exists and detrimentally impacts the lives of others, there can be a sharp pushback experienced by anti-racist educators. However, not providing anti-racist education can lead to radicalization which causes further harm. However, by analyzing common “pushback” responses, educators can enter these spaces with knowledge to help strategize ways to guide people away from defensiveness, fear, and other strategies of resistance. Thus, our article aims to address the question: “What are common push-back maneuvers encountered in response to anti-racist education on social media?” This article draws on social media comments listed in response to four anti-racism educational films developed by the authors, which encompass both the racism expressed in response, and the ways that some commenters dealt with this pushback. The films were viewed nearly half a million times, and inspired many comments, both positive and negative. We analyzed these comments and noted a strong theme of push-back to anti-racism work, which we broke into specific categories. This article details the categories of this push-back, along with ways to move against its flow. We would like to remind readers that the content in this article involves direct quotations from public comments which include racism and hate and can be difficult or triggering to read.
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 | 0,013 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,016 | 0,020 |
| Communication savante | 0,012 | 0,011 |
| Science ouverte | 0,002 | 0,008 |
| 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 ».