MétaCan
Menu
Retour à la cohorte
Enregistrement W2763321773 · doi:10.1787/164a7643-en

The “CHARM” Policy Analysis Framework

2017· paratext· en· W2763321773 sur OpenAlexaboutno aff
Özge Bilgili

Notice bibliographique

RevueOECD education working papers · 2017
Typeparatext
Langueen
DomaineSocial Sciences
ThématiqueEducation and experiences of immigrants and refugees
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSocioemotional selectivity theoryCharm (quantum number)Resilience (materials science)ImmigrationPsychological resilienceRelevance (law)Process (computing)Conceptual frameworkPolitical scienceProcess managementPsychologyEconomic growthSociologyComputer scienceBusinessDevelopmental psychologySocial psychologyEconomicsSocial science

Résumé

récupéré en direct d'OpenAlex

This paper focuses on children with a migration background and conceptualises their migration experience as adversity. The paper adapts the resilience framework to understand how immigrant children can overcome adversity. The paper discusses policy models that can be derived from adopting a resilience approach to the measurement of immigrant students' integration prospects and proposes a policy analysis framework. The "CHARM" framework helps to assess the extent to which destination country policies and practices support the educational and socioemotional well-being of immigrant children. Namely, it evaluates whether policies consider 1) Cumulative adversity; adopt a 2) Holistic approach; consider 3) Adjustment as a dynamic process; identify a 4) Relational development; and implement a 5) Multilevel approach. The paper finally applies the CHARM framework to the education policies of Ontario, Canada and underscores the relevance of applying the CHARM framework across countries and jurisdictions to evaluate education policies that can promote the resilience of immigrant children.

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)0,016
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,054
Score d'incertitude au seuil0,184

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0050,009
Communication savante0,0080,005
Science ouverte0,0020,005
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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 Opus0,022
Tête enseignante GPT0,405
Écart entre enseignants0,383 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

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

En bref

Citations8
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOECD education working papersMême sujetEducation and experiences of immigrants and refugeesTravaux en français237 207