The power of policy: investigating women's experiences of gender-based violence on campus
Bibliographic record
Abstract
Malgré les efforts et initiatives éducationnels divers des collèges et universités nord-américaines, le taux d'agression sexuelle n'a pas diminué dans les cinquante dernières années. Étant donné que près de 25% des étudiantes inscrites au baccalauréat aux États-Unis et au Canada sont victimes de viol ou d'agression sexuelle, la violence sexuelle sur les campus demeure un problème urgent. Ma recherche dévoile certaines façons dont la sécurité des femmes est touchée par les politiques institutionnelles de l'enseignement supérieur. Utilisant plusieurs méthodes de recherches qualitatives, j'ai mené une ethnographie institutionnelle sur la réponse d'une université (par exemple, politiques, e-mail, etc.) à la violence sexiste. Ceci me permit de montrer la façon dont certaines politiques universitaires influencent le danger et la sécurité éprouvés par les femmes à l'Université McGill. S'appuyant sur sept entretiens approfondis et ouverts avec des femmes de cycle supérieur à McGill, ce travail mène une enquête sur l'information en ligne et en accès libre (par exemple, à travers les réseaux sociaux) ainsi que sur la communication et les politiques institutionnelles. Cette étude cherche à montrer les écarts nuisibles entre les réponses institutionnelles à la violence sexiste sur les campus universitaires et les efforts réels des femmes pour assurer leur propre sécurité. Dans la mesure où cette étude porte sur les relations sociaux-institutionnelles (re)produisants et reliées à la violence sexiste au sein ainsi qu'à l'extérieur du contexte universitaire, les conclusions de cette recherche nous permettent de mieux comprendre l'expérience de sécurité et de danger des femmes à travers les institutions d'éducation supérieur à travers le Canada.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".