Invisible barriers & invisible disorders: refugees with mental disorders and epistemic injustice in the Canadian immigration system
Bibliographic record
Abstract
Le monde connaît actuellement des niveaux de déplacement sans précédent. Alors que la plupart de ceux qui sont déplacés le deviennent à l'intérieur de leur propre pays, nous avons enregistré un nombre record de 26 millions réfugiés et 4,2 millions demandeurs d’asile rien qu'en 2019. Bien que la réponse du gouvernement canadien ait été admirable, il est également possible que le système d'immigration même expose les réfugiés à des préjudices additionnels. On dit d'une personne qu'elle subit une injustice épistémique lorsqu'elle est lésée dans sa capacité de connaisseur. Ces injustices peuvent découler des préjugés d'un auditeur ou d'un manque de ressources interprétatives collectives. Bien qu'un réfugié puisse être exposé à l'injustice épistémique de nombreuses façons, les réfugiés souffrant de troubles mentaux en particulier peuvent être plus vulnérables à cette forme d'injustice en raison des stéréotypes et de la stigmatisation qui entourent les troubles mentaux. En analysant le système d'immigration du point de vue de l'injustice épistémique, j'identifie les domaines où de telles injustices peuvent se produire. Des politiques spécifiques liées à la détention et au recours à des représentants désignés sont également identifiées comme pouvant contribuer à l'injustice épistémique. J'identifie également où la justice épistémique peut être vue dans le processus et je suggère des stratégies pour la promouvoir. Sur la base de ces résultats, je suggère des changements qui pourraient être apportés pour empêcher les injustices épistémiques de se produire et les prochaines étapes que cette recherche pourrait prendre
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 | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.007 |
| Science and technology studies | 0.019 | 0.009 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.009 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".