Making the Match: Understanding the Destining Process of Government-Assisted Refugees in Canada
Notice bibliographique
Résumé
Canada occupies a leadership role in resettling refugees as part of the United Nation's durable solutions to the global refugee crisis. Although resettlement is an important demonstration of international solidarity, it also poses many challenges for policymakers in terms of optimizing integration and settlement outcomes for refugees. Under the Canadian Resettlement Assistance Program (RAP), government officials are responsible for choosing the communities to which Government Assisted Refugees (GARs) are matched and destined. While a significant amount of research has focused on the socio-economic outcomes of resettled refugees, there is a dearth of contemporary research outlining the substantive aspects of matching and destining GARs to their new homes in Canada. Mismatches can lead to refugees' secondary migration, resulting in complicated trajectories of resettlement and integration. Based on interviews with key government officials and settlement providers, this study investigates the factors considered by the Canadian government, specifically, Immigration Refugees and Citizenship Canada (IRCC), when making the match and assesses how they play out in the destining process by focusing on Ontario as a case study. The findings suggest that while factors such as availability of specialized medical services, family and friend connections, and a community's settlement capacity are deemed important, the resettlement process lacks consideration of refugees' individual characteristics and neglects to look at refugees' human capital. The study has strong policy implications for designing and crafting an optimized destining and matching process that gives due consideration to refugee empowerment.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».