Notice bibliographique
Résumé
Abstract Islamophobia is widely known as the fear of Muslims and Islam. However, there is more to this terminology than just its literal translation. The term Islamophobia itself has been widely debated by scholars over its definitions and use. While many scholars agree that Islamophobia refers to the negative treatment of Muslims and the misrepresentation of Islam, notions of anti-Muslimness are debated. Islamophobia also effects non-Muslim communities and individuals who are perceived to resemble Muslims, such as non-Muslim Arabs, Sikhs, Latine, and other minority religious and ethnic groups. So, what exactly constitutes Islamophobia? Is Islamophobia different than anti-Muslimness or anti-Muslim bigotry? Does Islamophobia refer to the fear/hate of Muslims as people or is it directed toward Islam as a religion? Where does Islamophobia stem from? Understanding Islamophobia, along with its roots and causes, is significant to further explore its impacts on Muslim communities where research is lacking in North America such as in Latin America or the Caribbean. Studying Islamophobia also benefits those who aim to combat the discrimination, prejudice, and bigotry that Muslim communities and individuals face whether they are challenging anti-Muslim laws or campaigning for anti-Islamophobia education. Factors that contribute to advocacy of anti-Muslim hate and fear include politicians with anti-Muslim rhetoric such as in the 2016 American elections, media that depict Muslims as evil and oppressed like the film True Lies, and/or bills and policies that aim to restrict Muslim women like Bill 21 in Quebec, Canada. Islamophobic sentiments and actions often increase after events such as 9/11 when Muslims have to defend themselves to disassociate with allegations of terrorism and are directly affected by mass shootings like in Quebec, Canada, in 2017 and in Christchurch, New Zealand, in 2019. Muslims around the world suffer from Islamophobia be it through genocide, such as the Rohingya in Myanmar or the Uyghurs in China, or being restricted from practicing their religious beliefs like wearing the hijab or niqab in France.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».