Nouveaux arrivants de 1989, langue et mobilité professionnelle sur le marché du travail de Montréal : une approche longitudinale
Bibliographic record
Abstract
L’établissement économique des nouveaux arrivants est souvent perçu comme un effet de leur capacité de parler la langue du pays d’accueil. Cette hypothèse, simple et intuitive, doit maintenant être démontrée : la plupart des études n’établissent pas de relation entre la langue et la situation sur le marché de l’emploi. De plus, la recension des écrits ne nous fournit pas toujours des preuves empiriques et solides de l’effet des habiletés linguistiques. Cet article vise à réexaminer cette question. L’examen est centré sur les trois premières années d’établissement seulement, et repose sur un échantillon pris dans une région bilingue afin de distinguer l’effet de la maîtrise des langues de l’effet social de la langue. La langue a-t-elle des effets sur la mobilité professionnelle (temps mis pour accéder à un emploi et durée de séjour en emploi) ? Elle a un effet sur la mobilité, mais qui se modifie selon le rang de l’emploi : elle écourte le séjour dans le premier emploi et allonge la durée du troisième. La nature de l’effet se modifie également avec le temps : si les compétences linguistiques en soi semblent jouer un rôle au début, cet effet disparaît plus tard pour faire place à l’effet social de la langue.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".