How racial microaggressions impact the campus experience of students of color
Notice bibliographique
Résumé
Racism can take many forms, including explicit racism as well as subtle or covert racism, such as microaggressions. Research has shown that long-term and consistent exposure to racial microaggressions can lead to detrimental health outcomes such as stress, anxiety, depression, PTSD, and negative physical health outcomes, particularly among Black, Indigenous, and other People of Color (BIPOC). This study explores how racial microaggressions impact the psychological well-being and sense of belonging of BIPOC students at a large Canadian urban university. Additionally, it examines whether different BIPOC groups experience differential effects of racial microaggressions. A total of 403 self-identified BIPOC students were recruited through the School of Psychology subject pool, university-wide emails, social media, and campus organizations. A cross-sectional survey design was employed, with participants completing an online survey that included both investigator-developed questions about the campus climate and the following measures: the Racial Microaggressions Scale (RMAS), Racial Microaggressions in Higher Education Scale (RMHES), and Perceived Cohesion Scale (PCS). Statistical analyses assessed correlations between racial microaggressions, psychological distress, and belonging, with comparative analyses examining group differences. The findings revealed significant associations between racial microaggressions and negative emotional states. Black students reported the highest levels of racial microaggressions and trauma symptoms, highlighting their disproportionate burden. The results suggest that racial microaggressions contribute to heightened distress and reduced belonging among BIPOC students. These findings align with previous literature highlighting the harmful effects of subtle racism in academic settings. Addressing racial microaggressions is essential for improving inclusive and supportive academic environments.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».