Notice bibliographique
Résumé
Racism is something that is learned. People aren’t born with racist ideas or attitudes. It doesn’t always come from a malicious place. Ignorance can play a big role in racial attitudes. But sometimes harm is intended. Although Canada is seen as being very tolerant, hate crimes here rose sharply in 2017–up 47% over the previous year. Our First Nations’ communities face serious issues with water quality and access to care, and police forces have been censured for racist policies. In 2016, one fifth of Canada’s population was born in another country. By 2036 it could be 25%. Now is the time to improve discourse around racism and change the narrative. This project will show how racism is institutionalized in our health care, judicial, and education systems. How even how much money you can earn can be impacted by your race, and why cultural appropriation is a big deal, and can affect everyone. The goal of this project is not to give concrete answers to some really complicated questions. What we hope to do is to help people understand what it feels like when you are the person who’s the target of racist behaviour and how racist behaviour emerges–because the only way to stop racism is to help people understand racism. Ideas of racism go as far back as humanity itself, but identifying why it happens, and what individuals can do to mitigate racism, might change the future. To start things off, we have a few clips of people sharing what they believe are common misconceptions of racism…including the fact it doesn’t exist. Below the clip you can access each section of this project by clicking on the red boxes.
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 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».