What Does Race Have to Do With It? Challenging the Preservice Admissions Process
Bibliographic record
Abstract
Bien que le Canada ait établi une politique fédérale sur l’équité de l’emploi, ces initiatives dépassent la force de travail dans le domaine des admissions universitaires où les candidats sont souvent confrontés à la possibilité d’être identifiés comme des «minorités visibles». Il existe, cependant, beaucoup d’ambiguïté autour de la façon dont les données recensées sont utilisées et les raisons même qui fondent la recherche de la diversité. Dans le domaine de l’éducation, les discours dominants attestent que les enseignants devraient refléter l’accroissement de la population estudiantine diversifiée, mais comment cela affecterait la façon dont les personnes racialement étiquetées aborderaient le processus d’admission? Comment les éducateurs racialement étiquetés appréhendent-ils le rôle de la race et de l’équité dans le processus des services préadmissions? L’usage d’un cadre théorique antiraciste, des entretiens individuels approfondis avec 21 enseignants racialement étiquetés révèlent la complexité des initiatives d’équité ignorant comment l’information démographique des candidats est utilisée, de nombreux participants expriment un sentiment de frustration, d’insécurité et de confusion. Le manque de transparence et les politiques d’informations destinées à des objectifs d’équité ont plutôt conduit à la dissémination des malentendus au sujet de l’importance de ces initiatives dans la promotion de l’accès à la diversité des individus. La perspective interne des enseignants racialement étiquetés contribue à la compréhension plus approfondie de la façon dont les politiques d’équité sont interprétées et démontre les effets néfastes qu’elles peuvent avoir sur les personnes qu’elles supposent soutenir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.069 | 0.147 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.034 | 0.024 |
| Scholarly communication | 0.028 | 0.017 |
| Open science | 0.004 | 0.021 |
| Research integrity | 0.005 | 0.009 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".