Bibliographic record
Abstract
La proportion des femmes en politique municipale, bien qu’elle se soit accrue sensiblement au fil des dernières années, est encore faible. En effet, il n’y avait que 17 % de mairesses et 32 % de conseillères municipales au Québec en 2013. Qui sont les élues et les élus municipaux ? Leurs pratiques et leurs perceptions varient-elles selon le genre ? À partir d’une enquête menée auprès de plus de 500 élues et élus municipaux dans une quarantaine de villes moyennes et grandes du Québec, les auteures proposent une analyse du personnel politique sous l’angle de la professionnalisation, dans une perspective sensible au genre. Elles étudient ainsi la professionnalisation de manière comparative pour les femmes et les hommes, mais aussi les dispositifs sociaux qui encadrent et modèlent la professionnalisation des unes et des autres. Proposant plusieurs extraits d’entretiens avec des mairesses, des maires, des conseillères et des conseillers municipaux, l’ouvrage expose les caractéristiques nécessaires à l’accès au mandat, les conditions d’exercice des mandats municipaux et la conception du rôle politique municipal. Il suscitera l’intérêt des chercheures et des chercheurs des domaines de la politique, de la sociologie ou des études de genre, des élues et des élus et des fonctionnaires municipaux ainsi que de toute personne qui s’intéresse à la politique municipale.
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 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.018 | 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".