Jumping Through Hoops in the Canadian Immigration System: A Critical View of the Immigrant's Journey to Citizenship
Notice bibliographique
Résumé
Abstract Language assessment for citizenship is a ubiquitous enforced and enacted policy in several developed countries (e.g., Canada, the United States, the United Kingdom, Australia, and the Netherlands, to name a few). In this regard, language testers have expressly argued that this practice enacts injustice for and adds hurdles to marginalized immigrant groups (McNamara & Shohamy, 2009; Shohamy, 2009). Nevertheless, language proficiency tests remain a critical, high‐stakes criterion in evaluating immigrants' permanent residence and naturalization applications. To this end, language tests used for immigration and citizenship purposes are often aligned with widely recognized language frameworks such as the Canadian Language Benchmarks (Chen & Flasko, 2020) and the Common European Framework of Reference (Lim, Geranpayeh, Khalifa, & Buckendahl, 2013). In turn, these alignment studies idealize, in subtle ways, new Canadians with language proficiency requirements that would make them worthy of permanent residence or citizenship. Knowledge of society tests plays an essential role in immigrants' journey to citizenship and can also be considered tests of reading proficiency. This study focuses on the enacted Canadian language policy for prospective immigrants and citizens, adopting a corpus‐assisted discourse analytic approach (Taylor & Marchi, 2018) to the study guide for the Canadian citizenship test ( Discover Canada: The rights and responsibilities of citizenship ) . A primary focus is examining how official and nonofficial languages are represented within this document. The findings highlight some of the problematic assumptions that underpin the use of monolingual constructs in tests encountered in the journey to permanent residence and Canadian citizenship.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,102 | 0,056 |
| Communication savante | 0,022 | 0,007 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».