Acquis et défis de la mesure statistique des niveaux de littératie des immigrants de tierce langue maternelle
Bibliographic record
Abstract
À l’heure où l’immigration est devenue la principale source de croissance de la population active au Canada et qu’environ 80% des nouveaux immigrants n’ont ni le français ni l’anglais comme langue maternelle, il est nécessaire de comprendre les acquis, les enjeux et les défis de la mesure des compétences linguistiques de ces immigrants dans les grandes enquêtes que mène le Canada sur la littératie des adultes. De plus, l’apprentissage de l’une ou l’autre des langues officielles du pays est perçu par les immigrants comme l’un des principaux obstacles à leur intégration sociale et économique. Le présent article aborde les principaux éléments qui justifient qu’on se penche sur l’insertion de tests linguistiques objectifs automatisés dans les grandes enquêtes nationales. Une telle démarche vise à permettre de comprendre le rôle que joue le niveau des compétences linguistiques comme facteur déterminant des performances des immigrants de tierce langue maternelle dans les grandes enquêtes sur la littératie des adultes et, par conséquent, sur leur insertion réussie au marché du travail.Mots-clés : enquêtes statistiques, Statistique Canada, littératie des adultes, immigration, langues secondesERRATUMVeuillez noter qu’une erreur s’est glissée dans le tableau 1 page 35 de l’article de Jean-Pierre Corbeil, qui suit cet erratum. Il fallait lire : TAB. 1Pourcentage des adultes détenant un diplôme ou grade universitaire selon qu’ils se situent au niveau 1 ou au niveau 4/5 sur l’échelle des textes suivis et selon leur statut d’immigrant, personnes de 16 ans ou plusNiveau 1 Niveau 4/5Immigrants établis (plus de 10 ans au pays) 14 - 21Immigrants récents (10 ans ou moins au pays) 18 - 11Personnes nées au pays 2 - 37
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 | 0.016 | 0.038 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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".