Les effets systémiques des biais, stéréotypes et préjugés envers les jeunes noir[e]s en milieux éducatifs : des réalités attestées, mais peu connues ou reconnues
Bibliographic record
Abstract
En dépit du refus du premier ministre du Québec de reconnaître l’existence du « racisme systémique » au Québec, jugeant ce terme trop culpabilisant pour la majorité, il existe une importante littérature officielle, scientifique et communautaire au Québec et au Canada — et une jurisprudence en matière de discrimination — qui ont défini le racisme systémique et démontré ses logiques et manifestations en éducation. Or, si le phénomène est attesté de longue date, ses manifestations plus subtiles (comme le biais « d’adultification » des jeunes noir[e]s), qui ont des effets systémiques, ne sont pas toujours connues et reconnues par les acteurs scolaires. Cet article repose sur une recension non systématique et non exhaustive des rapports d’enquête, statistiques et études empiriques au Québec, au Canada et aux États-Unis, dont les grands constats convergent quant aux biais, stéréotypes et préjugés envers les jeunes noir[e]s et à leurs effets systémiques, malgré des contextes nationaux différents. L’objectif était avant tout pédagogique : montrer que le racisme invisibilisé rend les problèmes des élèves noirs non reconnus ou marginaux, ce qui conduit à une sous-protection (under-protecting) et à une prise en compte négligée de leurs besoins ou, à l’inverse, à des conduites de surveillance accrue (over-policing) et de profilage à l’égard des jeunes noir[e]s.
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 | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.009 | 0.012 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".