Layered Injustices: Mapping Everyday Discrimination in Nursing Education through an Intersectional Lens
Notice bibliographique
Résumé
BackgroundDespite stated commitments to equity, nursing education environments remain sites of pervasive everyday discrimination, especially for students with intersecting marginalized identities.PurposeThis study aimed to examine patterns of everyday discrimination among undergraduate nursing students using an intersectional lens, with particular attention to how experiences vary across overlapping axes of social identity and structural vulnerability.MethodA cross-sectional survey of 260 undergraduate nursing students was conducted at a large Canadian university. Everyday discrimination was measured using the Everyday Discrimination Scale (EDS), alongside sociodemographic variables related to race, gender, disability, financial insecurity, and English language status. Data were analyzed using ANOVA and factorial interaction models, with QuantCrit principles informing variable construction, modeling, and interpretation.ResultsEveryday discrimination was commonly reported and significantly higher among students identifying as racialized, especially those born in Africa, financially insecure, or with a disability. Interaction effects revealed that students at the intersection of multiple marginalized identities, particularly women with disabilities or racialized students with financial insecurity-reported the highest levels of discrimination.ConclusionFindings reveal that discrimination is structurally patterned and intensifies at the intersections of race, class, gender, migration, and disability. Through our intersectional and QuantCrit lens, this study advances how inequities are reproduced in Canadian nursing programs and raises urgent questions about ethics, responsibility, and institutional accountability, particularly in relation to the recruitment and support of racialized, international, economically disadvantaged students.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».