Brampton, Browntown, or Bramladesh? A Critique of the Hate Speech Used Against Racialized Spaces in Canada
Notice bibliographique
Résumé
This study investigates the online hate narratives around South Asian citizens in Canada. The value of this research is that it challenges the perception of Canadian multiculturalism and by addressing the reality of multiculturalism, it reveals the racial hierarchical structure within ‘equal’ multicultural state like Canada. In this study we connect early 20th century history of recently arrived South Asian migrants to British Columbia to the literature of white nationalism and white fantasy, the myths of multiculturalism and the racist nature of online platforms to expose a shift towards the perspective and acceptance of South Asian people in Canada. Here, the study compiles 120 comments identified as hate speech and organized the comments into categories of general South Asian hate, specific Punjabi hate, specific Indian hate, commentary on social space, insult towards linguistic abilities and claims advocating for deportation from Canada and when relevant, the comments are categorized into subcategories of ‘Becoming India’, white replacement theory and loss of Canadian culture. The results of this coding showcase that the most prevalent narrative found in the YouTube comments were commentary on social space and more precisely commentary on white replacement theory. The implication of this dominant narrative is that it signals to a growing resistance to racialized spaces in Canada. This implication allows for the argument that online platforms such as YouTube should be viewed as an extension to the body of the dominant white nationalist structure in colonial society because these platforms are able to encourage and sustain a white fantasy and white power structures through the platforms structural racist nature that encourage the growth of hate narratives online.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,049 | 0,024 |
| Communication savante | 0,012 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».