Introduction: Sexual Harassment and Gender-Based Violence in Political Science Fieldwork
Notice bibliographique
Résumé
Political scientists recently have taken great strides in addressing sexual harassment and assault in the discipline. Little has been said, however, about sexual violence that political scientists may confront during field research. Field research involves any data-collection activity that occurs away from a researcher’s home institution, including visiting a prominent archive, interviewing political elites, and conducting direct observation of political phenomenon, and fieldwork is widely considered essential to data collection and career development across political science subfields. Field researchers may experience numerous power disparities that put them at acute risk for sexual or gender-based violence in the field, and evidence suggests that such experiences are pervasive and professionally devastating. In an effort to reduce gender-based violence and discrimination across academic worksites, several disciplines and institutions have developed specific guidelines and protocols to prevent and address sexual harassment and assault during fieldwork (Berkeley PATH to Care Center 2020; University of California, Riverside 2018; University of Toronto, Department of Anthropology 2019; Woodgate et al. 2018). Political scientists, however, have largely failed to conceptualize field placements as work settings or to address gender-based violence during fieldwork in our curriculum, training, and policies. Instead, they rely on deeply held methodological fallacies that insist on a field researcher’s absolute privilege, trivialize experiences of sexual violence, and weaponize rape myths to portray survivors as professionally incompetent (Hunt 2022).
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 | 0,019 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,028 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».