Igniting an Intersectional Shift in Public Policy Research (and Training)
Bibliographic record
Abstract
Tout au long des années 2010, l’une des principales préoccupations en ce qui concerne les politiques publiques et les débats sur celles-ci était la compréhension des sources d’inégalité, de même que le rôle du gouvernement dans la lutte contre l’inégalité des revenus. Bien que des progrès aient été réalisés, d’importantes lacunes subsistent en matière d’inégalité – lacunes qui vont bien au-delà de l’inégalité des revenus et que la pandémie de COVID-19 a mises en évidence. L’expérience de la pandémie nous rappelle que les individus qui forment la société vivent des expériences distinctes et que l’attention à l’inégalité et à la diversité doit s’intégrer étroitement à des cadres stratégiques actualisés. Après la COVID-19, alors que les gouvernements s’engagent à ce que la relance soit équitable et dans le contexte d’un désir généralisé pour une société plus juste, une approche inclusive de l’analyse des politiques est nécessaire afin de remédier aux défaillances de longue date de l’économie et de la société. Les cadres stratégiques actualisés doivent être plus représentatifs des expériences et des luttes des populations marginalisées et sous-représentées, et leur accorder plus d’attention. L’intersectionnalité est un outil analytique ancré dans le paradigme de la justice sociale qui met au jour les liens entre les notions d’identité et les systèmes de pouvoir à travers lesquels elles se déploient. L’intersectionnalité tient compte de la façon dont nos identités se forment : à l’intersection de divers construits sociaux, tels que la race, la capacité, la classe et le genre, et dans des contextes et des structures de pouvoir plus vastes, comme le marché du travail et les institutions gouvernementales. L’intégration complète de l’intersectionnalité à l’analyse des politiques permettrait de mettre en place une structure d’analyse des politiques qui ferait avancer les programmes politiques centrés sur la diversité, l’inclusion et l’équité.
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.007 | 0.014 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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; 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".