Reversing the legacies: asset-based discourses for racialized social workers
Notice bibliographique
Résumé
Social work has a lengthy history of ignoring and invalidating the assets that racialized practitioners bring to their work. This article seeks to shift the discourse in social work away from invisibility and diminishment toward visibility, positive valuing, and asset-rich perspectives. The rationale is rooted in original research, theory, and experience. We close the article with concrete recommendations for change. Research conducted in [state], USA, partnered with four culturally specific organizations and the university research team. An in-person Delphi study identified a set of 25 assets that these organizations agreed were pronounced within their workforce, and that contributed to the wellbeing of racialized clients. Defined as “staffing assets,” these experiences were then affirmed by a sample of 505 clients. To help organize the 25 assets into more standard constructs, we identify six domains in which to embed the assets: culturally grounded worldview and beliefs, effective advocate, invested in long-term community wellbeing, demonstrated respect and recognition, organic problem solver, and relationally focused. We then theorize these assets, drawing from previously published work. Closing with recommendations for improvements in the field, we prioritize workforce diversification, social work education reprioritizing, supervision improvements, building inclusive workplaces, infusing equity into research, and a shifted discourse within social work that foregrounds practitioners of color as holding essential assets for the wellbeing of racialized clients and communities. This contribution is a mere opening – as a field, we must dedicate scholarship and practice to building out practice frameworks that include social workers of color.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».