Igniting an Intersectional Shift in Public Policy Research (and Training): Canadian Public Policy Special Lecture
Notice bibliographique
Résumé
Throughout the 2010s, a major focus of public policy and public policy debates was about understanding the sources of inequality and understanding the role of government in addressing income inequality. While progress has been made, significant gaps in inequality remain; gaps that go well beyond income inequality and which were emphasized throughout the COVID-19 pandemic. The experiences of the pandemic have served as a reminder that individuals in society have distinct experiences, and that attention to inequality and diversity needs to be seriously incorporated into modernized policy frameworks. As governments commit to a fair recovery from COVID-19, and society is more hopeful for a more just society, what is required is a much more inclusive approach to policy analysis in order to address longstanding failures of the economy and society. In particular, modernized policy frameworks need to be more representative of, and attentive to, the experiences and struggles of marginalized and underrepresented populations. Intersectionality is an analytical tool rooted in the social justice paradigm that makes clear the links between notions of identity and the systems of power through which they play out. Intersectionality considers the ways in which our identities are formed at the intersections of various social constructs, such as race, ability, class and gender, and within broader contexts and structures of power, such as the labour market and government institutions. Fully integrating intersectionality into policy analysis could create a policy analysis structure that would advance policy agendas of diversity, inclusion, and inclusive growth.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,008 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».