No Country for Young Refugees: Barriers and Opportunities for Inclusive Refugee Education Practices
Notice bibliographique
Résumé
The recent refugee crises in Ukraine (2022) and Syria (2011) have created millions of refugees, 40% of whom are children. The education systems of countries hosting refugees struggle to integrate such large populations. In addition, language barriers and the stigma associated with refugees hamper inclusive and equitable education opportunities for these children. There is thus a risk of "lost generations" distanced from education, who may eventually depend on social security systems and monetary aid in the long term. This study considers the following research question: How can a host country improve the inclusion of refugee children in the education system without overburdening its infrastructure? First, we document the availability and accessibility challenges and opportunities that refugee children face during the Syrian refugee crisis. We then develop an inclusive planning strategy aligned with existing capacity and resources and formulate two adaptations of the maximum covering problem (MCP): cooperative capacitated MCP with heterogeneity constraints (CCMCP-HC) to improve the current schooling access in Türkiye and Modular CCMCP-HC to guide early planning in the case of a future crisis. Our computational analyses illustrate that the proposed approach yields higher schooling rates and capacity utilization than existing approaches. Our results emphasize the importance of having a planning strategy in the initial phases of a crisis that considers future integration possibilities. This study analyzes Türkiye's experience and lessons learned to provide a road map for other ongoing and future refugee crises.
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 | 0,001 | 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».