Measuring the Welcoming Capacities of Host Urban and Rural Communities
Bibliographic record
Abstract
Cet article est une partie d’une étude multidisciplinaire où nous tentons d’évaluer la notion de «communautés accueillantes» au Canada. La recherche s’est servie jusqu’à présent des micro-données de l’Enquête sur la diversité ethnique (EDE). À partir de méthodes statistiques descriptives et de tests d’importance à variable simple sur celles qui traitaient des répondants individuels à l’EDE, les chercheurs tentent de comprendre les informations recueillies dans les parties pertinentes du questionnaire. Plus précisément, ils ont examiné comment les réponses aux questions individuelles varient au sein des sous-populations identifiées comme ayant participé à l’enquête. Celles-ci sont au nombre de quatre et se combinent selon deux catégories binaires: soit statut d’immigrant et de non-immigrant d’une part, et, d’autre part, appartenance à une minorité, visible et non-visible. D’autres distinctions sont apparues, comme celle sur les variations des réponses selon qu’il s’agit d’un milieu urbain ou rural. Le grand nombre de petits échantillons a bridé les comparaisons entre certaines catégories de répondants. Une deuxième série d’analyses a donc eu lieu afin de relever et de mettre en pratique des stratifications théoriquement solides de la population, qui soient aussi statistiquement plus prudentes pour les buts de cette étude. L’identification d’importantes différences dans les réponses de ces sous-populations à un niveau de variable simple a aidé – et continuera à le faire – à comprendre comment on peut utiliser les données de l’EDE pour décrire la réalité des communautés d’accueil au Canada.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".