Language justice as an antiracism institutional transformation: Institutional facilitators and barriers for community-engaged cardiometabolic health promotion research
Notice bibliographique
Résumé
This article describes lessons learned from the incorporation of language justice as an antiracism praxis for an academic Center addressing cardiometabolic inequities. Drawing from a thematic analysis of notes and discussions from the Center's community engagement core, we present lessons learned from three examples of language justice: inclusion of bilingual team members, community mini-grants, and centering community in community-academic meetings. Facilitating strategies included preparing and reviewing materials in advance for interpretation/translation, live simultaneous interpretation for bilingual spaces, and in-language documents. Barriers included: time commitment and expenses, slow organizational shifts to collectively practice language justice, and institutional-level administrative hurdles beyond the community engagement core's influence. Strengthening language justice means integrating language justice institutionally and into all research processes; dedicating time and processes to learn about and practice language justice; equitably funding language justice within research budgets; equitably engaging bilingual, bicultural staff and language justice practitioners; and creating processes for language justice in written and oral research and collaborative activities. Language justice is not optional and necessitates buy-in, leadership, and support of community engagement cores, Center leadership, university administrators, and funders. We discuss implications for systems and policy change to advance language justice in research to promote health equity.
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 | 0,051 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».