MétaCan
Menu
Retour à la cohorte
Enregistrement W2016672572 · doi:10.1080/13639080.2011.630657

The changing face of work and learning in the context of immigration: the Canadian experience

2011· article· en· W2016672572 sur OpenAlexaffabout
Shibao Guo

Notice bibliographique

RevueJournal of Education and Work · 2011
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMigration and Labor Dynamics
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésImmigrationContext (archaeology)Face (sociological concept)SociologyWork (physics)PedagogyPsychologyPublic relationsPolitical scienceSocial scienceGeography

Résumé

récupéré en direct d'OpenAlex

Through the accounts of the experience of recent Chinese immigrants in Canada, this study examines the changing nature of work and learning in the context of immigration. Its findings reveal the precarious nature of work and learning for immigrant professionals, characterised by part time, low wages, job insecurity, high risks of ill health and limited social benefits and statutory entitlements. The study also shows that immigrants’ foreign credentials and knowledge have been racialised on the basis of ethnic and national origins. As a consequence, they suffered unemployment and underemployment, poor economic performance and downward social mobility. The racialised experience of Chinese immigrants demonstrates how racial and socio-cultural differences have been used to entrench social inequality in immigrants’ transitions. Through the process of deskilling and re-skilling, learning has become a vehicle to colonising immigrants into the dominant norms and values of the host society. The study urges government organisations, professional associations, educational institutions and prior learning assessment agencies to adopt an inclusive framework which fully embraces all human knowledge and experience, no matter which ethnic and cultural backgrounds they emerge from.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,090
Score d'incertitude au seuil0,653

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0570,024
Communication savante0,0100,003
Science ouverte0,0030,009
Intégrité de la recherche0,0030,006
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,023
Tête enseignante GPT0,296
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations32
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Education and WorkMême sujetMigration and Labor DynamicsTravaux en français237 207