‘Doing’ or ‘using’ intersectionality? Opportunities and challenges in incorporating intersectionality into knowledge translation theory and practice
Notice bibliographique
Résumé
Abstract Intersectionality is a widely adopted theoretical orientation in the field of women and gender studies. Intersectionality comes from the work of black feminist scholars and activists. Intersectionality argues identities such as gender, race, sexuality, and other markers of difference intersect and reflect large social structures of oppression and privilege, such as sexism, racism, and heteronormativity. The reach of intersectionality now extends to the fields of public health and knowledge translation. Knowledge translation (KT) is a field of study and practice that aims to synthesize and evaluate research into an evidence base and move that evidence into health care practice. There have been increasing calls to bring gender and other social issues into the field of KT. Yet, as scholars outline, there are few guidelines for incorporating the principles of intersectionality into empirical research. An interdisciplinary, team-based, national health research project in Canada aimed to bring an intersectional lens to the field of knowledge translation. This paper reports on key moments and resulting tensions we experienced through the project, which reflect debates in intersectionality: discomfort with social justice, disciplinary divides, and tokenism. We consider how our project advances intersectionality practice and suggests recommendations for using intersectionality in health research contexts. We argue that while we encountered many challenges, our process and the resulting co-created tools can serve as a valuable starting point and example of how intersectionality can transform fields and practices.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».