A study of critical whiteness in sport research and disrupting racism: research with a Black Lives Matter task force
Notice bibliographique
Résumé
This research note considers tensions and challenges faced by our research team in raising questions about white researchers, problematizing whiteness in research, and confronting anti-Black racism in sport.We document important insights to disrupt how white privilege is connected to complicity in racism.In doing so, we critically reflect on the process of our work with a Black Lives Matters (BLM) task force and our shift towards proactive allyship.Specifically, we frame our discussion through the concepts of critical whiteness, critical humility, and discomfort as white researchers involved in a social justice project confronting anti-Black racism in sport.Finally, with a call to action we identify the need for researchers to practice flexibility in research design and embrace social movements that alter the linear approaches to data collection and analysis.We also critique research team composition with our commitment to disrupting racism by problematizing whiteness. RSUMCette note de recherche examine les tensions et les dfis auxquels notre quipe de recherche a t confronte en soulevant des questions sur les chercheurs blancs, en problmatisant la blanchit dans la recherche et en affrontant le racisme anti Noirs dans le sport.Nous documentons des ides importantes pour perturber la faon dont le privilge blanc est li la complicit dans le racisme.Ce faisant, nous rflchissons de manire critique au processus de notre travail avec un groupe de travail Black Lives Matter (BLM) et notre volution vers un alli proactif.Plus prcisment, nous orientons notre discussion sur les concepts de blanchit critique, d'humilit critique et d'inconfort en tant que chercheurs blancs impliqus dans un projet de justice sociale visant
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».