Exploring attention to justice, equity, diversity and inclusion in Canadian environmental non-profits: implications for racialised migrants
Notice bibliographique
Résumé
In recent years, increasing calls have been made for environmental justice in Canada and around the world amidst rapidly diversifying populations, growing environmental inequalities, and expansion of the environmental sustainability sector in response to the climate crisis. Racialised migrant communities face disproportionate exposure to environmental risks while also facing exclusion from well-paid, meaningful opportunities in the environmental sector. The Canadian labour market relies heavily upon highly skilled racialised migrant workers for economic growth and has recently increased investments in expanding the green economy. Yet, there remains limited understanding of the extent to which environmental organisations in Canada are making progress on justice, equity, diversity and inclusion (JEDI) goals and how. We draw upon interviews with environmental professionals in leadership roles (n = 14) and focus groups with racialised migrants (n = 15) to explore challenges and best practices for integrating JEDI policies in environmental organisations with emphasis on the non-profit sector. Environmental justice literature considers the experiences of racialised communities, yet with limited focus on the unique challenges related to immigration, settlement and integration. On the other hand, immigration researchers that document the challenges of economic integration pay little attention to the environmental sector specifically, despite known, widespread environmental injustices facing migrant and racialised populations. We discuss how to strengthen the hiring of racialised migrants in the Canadian environmental non-profit sector, inclusive participation in environmental-related programming, and the role of Canadian environmental nonprofits in strengthening procedural, recognitional and distributional environmental justice.
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 | 0,008 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,060 | 0,017 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».