“You Start to Feel Like You’re Losing Your Mind”: An Intersectionality-Based Policy Analysis of Federal Correctional Segregation Policy and Practice
Bibliographic record
Abstract
Le nombre de femmes, particulièrement de femmes autochtones, incarcérées dans les pénitenciers fédéraux canadiens et dans des unités d’isolement a augmenté régulièrement au cours de la dernière décennie. Le présent article propose une analyse des politiques fondées sur l’intersectionnalité et utilise l’étude de cas d’une femme autochtone pour examiner comment les femmes purgeant une peine fédérale vivent l’isolement et les problèmes d’inégalité qui sont illustrés par leur surreprésentation dans cette forme de détention des plus austères. Nous explorons les façons genrées et racialisées dont le Service correctionnel du Canada (SCC) interprète les comportements, les attitudes et même les personnalités des femmes qui sont placées en isolement. En examinant les politiques en matière de santé mentale, de genre et de culture dans le contexte de la gestion du risque et des besoins, nous concluons que le SCC ne protège pas les femmes marginalisées, mais convertit plutôt leurs besoins en risques à gérer. Nous proposons aussi d’autres réponses et solutions stratégiques visant à produire les changements sociaux et structuraux qui sont nécessaires pour réduire le caractère injuste des politiques et des pratiques correctionnelles.
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 | 0.008 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.020 | 0.016 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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 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".