Designing a model for predicting quality of life based on personality traits and cultural intelligence among Persian-speaking immigrants in France and Canada
Notice bibliographique
Résumé
Concevoir un modèle de prédiction de la qualité de vie entre les immigrants persanophones en France et au Canada selon leurs caractéristiques et l’intelligence culturelle Le travail statistique a finalement été effectué avec 317 personnes. Les outils de collecte de données étaient l'inventaire de personnalité NEO PI-R, la version abrégée du questionnaire de l’OMS sur la qualité de vie et le questionnaire d'intelligence culturelle. Pour l'analyse des données, des statistiques descriptives et inférentielles (analyse de corrélation, régression et équations structurelles) ont été utilisées. Les résultats montrent que les traits de personnalité ont une corrélation significative avec la qualité de vie. Parmi ces traits, il y a une corrélation négative avec le névrosisme et une corrélation positive avec les quatre autres facteurs. Par ailleurs, tous les facteurs de la variable « qualité de vie » présentent une corrélation positive significative avec toutes les composantes de l’intelligence culturelle. En ce qui concerne les indices de qualité de l'ajustement du modèle final, nous pouvons affirmer que le modèle fourni et ses coefficients de régression montrent que ces coefficients expliqueraient avec précision la prédiction de la qualité de vie basée sur les traits de personnalité et l'intelligence culturelle.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».