A legislação antirracista brasileira e canadense: uma análise interseccional de raça e gênero
Bibliographic record
Abstract
A presente tese tem por objeto analisar como ocorrem as discriminações raciais contra mulheres negras no Tribunal de Justiça do Estado de São Paulo e no Tribunal de Direitos Humanos de Ontário, no Canadá com o objetivo de compreender se, diante de legislações distintas voltadas para o combate ao racismo e à discriminação racial, os motivos pelos quais as mulheres negras procuram as instituições da Justiça são semelhantes, além de verificar o grau de procedência ou não das decisões. A metodologia de pesquisa adotada foi de análise qualitativa por meio do exame de documentos coletados em duas bases de dados diferentes: uma composta por processos judiciais e inquéritos policiais ocorridos entre 2003 e 2011 em São Paulo e a segunda, compreende decisões de discriminação racial do Tribunal de Direitos Humanos de Ontario entre 2012 a 2017. Desta maneira, no primeiro capítulo são apresentados os alicerces teóricos, propositura que raça é uma categoria fluida a depender o contexto social e também, são pontuados os aspectos de gênero, com enfoque no necessário feminismo negro e o conceito de interseccionalidade. No capítulo seguinte, são apresentados os pressupostos legislativos a fim de demonstrar a tutela jurídica de mulheres negras em ambos os países. A partir do terceiro capítulo, expõe-se o caminho metodológico percorrido para coleta e análise de dados no Brasil e no Canadá, demonstrando a coleta e o tratamento dos dados para posterior discussão nos capítulos subsequentes. No capítulo quatro, dedicado à análise de 120 casos contidos na amostra brasileira, demonstra-se como aparecem as discriminações contra as mulheres negras brasileiras e ao final desta parte, discute-se se a interseccionalidade é um caminho possível para o direito brasileiro. No quinto capítulo, discute-se os 71 resultados da amostra canadense, é mapeada a atuação do Tribunal de Direitos Humanos de Ontário para que seja analisada as decisões parciais e totais emanadas pelos julgadores, para ao final, verificar os argumentos de procedência e improcedências das decisões de discriminação racial contra mulheres negras. Ao final, na conclusão, apresenta-se a importância de discutir se mesmo em nações diferentes, há os mesmos problemas no tocante à proteção dos direitos dessas mulheres.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 0.001 |
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; both teacher heads agree on what is shown here.
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".