L’intégration des élèves nouveaux arrivants d’origine africaine dans les écoles de la division scolaire franco-manitobaine
Bibliographic record
Abstract
Pour un pays comme le Canada, né de l’immigration et qui continue à se développer sur la base du multiculturalisme, l’intégration des nouveaux arrivants en milieu scolaire est un enjeu de taille. En effet, les écoles d’aujourd’hui sont composées de jeunes issus de milieux culturels et socioéconomiques divers. Au Manitoba en particulier, le nombre d’immigrants francophones s’est considérablement accru au sein de la communauté franco-manitobaine au cours des dix dernières années. Cela s’est traduit, au niveau des écoles de la Division scolaire franco-manitobaine (DSFM), par un accroissement de la population d’élèves nouveaux arrivants (ÉNA), population considérée à juste titre comme un enrichissement de cette communauté et de ses écoles, mais qui présente en même temps pour la division scolaire francophone des défis sur les plans de la pédagogie et de la communication, entre autres. Basé sur une recherche empirique auprès des comités de parents des écoles de la DSFM, cet article porte sur le vécu des élèves nouveaux arrivants d’origine africaine dans ces écoles, avec l’objectif de comprendre comment elles font face à une telle réalité et de proposer des solutions pour une meilleure intégration de ces élèves.
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 | 0.006 | 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) | 0.006 | 0.000 |
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".