Emerging best practices for supporting temporary migrant farmworkers in Western Canada
Notice bibliographique
Résumé
The aim of this study was to examine the role of support persons in determining migrant agricultural workers’ access to, or ability to navigate, public spaces and services. While the role of support networks for this population is still in its infancy, much can be gained from understanding the emerging best practices for helping this group. To refine our research design, we first carried out public consultations with hundreds of migrant agricultural workers (n = 234) and a community scan with various front-facing service agencies (n = 28) in 2018. Then, using a situational analysis research approach, we carried out 4 focus groups and 25 one-on-one interviews, recruiting a total of 35 informal and formal support persons as study participants between 2018 and 2019. Data analysis occurred over a 2-year period largely simultaneously with data collection. Developing analytic maps as outlined by Clarke’s approach to situational analysis, we reviewed texts and preliminary codes by organizing them in terms of situations, social worlds, and discursive positions. Ultimately, we identified 4 best practices: (1) Anticipating and addressing barriers; building trust and community; (3) acknowledging rights and system accountability; (4) bearing witness and looking to the future. Underlying these best practices was the need for support persons to display ‘support readiness,’ or specialized skills, motivation and a personal connection to migrant farmworkers. While these practices have the potential to improve migrant workers’ ability to fully participate in public spaces and access public services, until systemic constraints are addressed, support persons will be unable to fill the gaps in support for this population.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».