L’intégration professionnelle des nouveaux immigrants : effet de la connaissance pré-migratoire du français et (ou) de l’anglais
Bibliographic record
Abstract
Au Québec, on soumet les nouveaux immigrants à une évaluation serrée du niveau de leurs compétences linguistiques (en français ou en anglais), dans le but de sélectionner des candidats susceptibles de réussir leur établissement socio-économique. Pour des raisons sociales et politiques, on accorde une attention particulière à la connaissance du français à l’arrivée, dans le but de favoriser une meilleure participation au marché du travail. Dans cet article, les auteurs examinent l’effet à moyen et à long terme de la connaissance du français et (ou) de l’anglais sur la performance des nouveaux immigrants sur le marché de l’emploi. Pour les analyses, ils ont recours à une enquête longitudinale sur l’établissement des nouveaux immigrants (ENI), décrivant leurs parcours biographiques. L’ENI présente, sur une période de dix ans, les principaux gestes d’établissement (logement, cours, emploi, etc.) de 429 nouveaux arrivants ayant comme destination la grande région de Montréal. On constate essentiellement que la connaissance pré-migratoire du français et (ou) de l’anglais est un facteur temporaire donnant accès aux emplois qualifiés ou mieux rémunérés, mais qu’elle n’a aucune incidence sur la participation au marché du travail.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".