L’entrepreneuriat social au Québec. L’exemple des centres de formation en entreprise et récupération
Bibliographic record
Abstract
L’entrepreneuriat social au Québec a été peu étudié jusqu’ici. Pourtant, il recèle des comportements spécifiques liés tant aux paradigmes entrepreneuriaux traditionnels qu’aux intérêts des intervenants sociaux. Par exemple, les Centres de formation en entreprise et récupération (CFER), qui ont vu le jour dans une vingtaine de régions au Québec, offrent aux décrocheurs de seize à dix-huit ans une démarche d’apprentissage particulière, à partir d’une insertion partielle dans une entreprise de récupération mise sur pied et gérée par une équipe de professeurs-superviseurs. Ces Centres cherchent aussi à développer une entreprise rentable tout en permettant aux professeurs d’assurer la formation au travail de leurs étudiants plutôt que de déléguer cette responsabilité à diverses entreprises par le biais de stages. La mise sur pied de ces entreprises suppose d’avoir décelé une opportunité pour pouvoir assurer leur viabilité, une équipe entrepreneuriale avec un leader, informel ou non, et diverses ressources d’appoint à court et à long terme apportées par le milieu. De même, elle a besoin de l’enthousiasme des professeurs et de l’appui de la commission scolaire sinon de quelques mécènes de la région. L’expérience de six CFER analysés montre que celle-ci n’est pas nécessairement facile, mais donne des résultats importants tant à propos de la persévérance des étudiants que de leur placement par la suite dans des entreprises, sans compter les effets bénéfiques sur la récupération de diverses matières et ainsi sur l’environnement.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.013 | 0.004 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.036 | 0.002 |
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".