Combatting Islamophobia: A Reflection of an Anti-Racism Educator
Notice bibliographique
Résumé
Although Islamophobia has been rising in the West, educational institutions continue to struggle with incorporating anti-Islamophobia education into their curricula. Anti-Islamophobia education, which shares similarities with anti-racism education, can help challenge Islamophobia both within and beyond educational settings. Research on Islamophobia in the West, such as studies by Bakali (2016), Halabi (2021), Hossain (2017) and House (2012), predominantly focuses on students’ experiences and voices, often overlooking teachers’ perspectives on their efforts to combat Islamophobia in schools (Niyozov & Pluim, 2009). In this article, I use autoethnography as a methodology to reflect on my efforts to challenge Islamophobia at a secondary school in Quebec. I discuss a project I conducted with my students in my English as a Second Language (ESL) class. This project comprises two key dimensions: a conceptual aspect aimed at challenging racism and a technical component focused on teaching ESL. In this reflection, I concentrate on the issues regarding my practices as an anti-racist pedagogue rather than on my role as an ESL teacher. Although a few students were not comfortable discussing Islamophobia, most demonstrated a solid and critical understanding of it. They were brave enough to lead class discussions and offer different perspectives to challenge Islamophobia in their everyday life.
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 | 0,014 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,042 | 0,027 |
| Communication savante | 0,011 | 0,006 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,009 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».