Run, Lead & Advocate: Female Athlete Activism & the Missing and Murdered Indigenous Women (MMIW) Movement
Notice bibliographique
Résumé
Violence against girls and women is rampant and an undeniable public health problem (“Violence Against Women,” 2017). Violence against Indigenous women, specifically, is occurring at epidemic levels (Trimmer, 2019). In the United States, “murder is the third-leading cause of death among American Indian and Alaska Native women, and rates of violence on reservations can be up to 10 times higher than the national average” (Roberts, 2021, para. 7). “In Canada, Native women are four times as likely to be murdered as non-Native women” (O’Neill, 2020). News of the devastation has begun to garner more media attention (Trimmer, 2019), shining a light on the Missing and Murdered Indigenous Women (MMIW) movement. This interactive presentation will focus specifically on the efforts of two Indigenous female distance runners, Jordan Marie Brings Three White Horses Daniel (Kul Wicasa Lakota) and Rosalie Fish (Cowlitz), to bring attention to the MMIW movement. Both women have used their platforms as competitive athletes to draw attention to MMIW and to inspire, educate, and advocate for justice. Session attendees will: 1) learn about the efforts of Fish and Brings Three White Horses Daniel to bring attention to MMIW and 2) examine the effectiveness of the use of social media by athletes as a tool for social justice and advocacy.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,239 | 0,073 |
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 ».