La mise en oeuvre des politiques d’accueil des migrants à l’échelle des quartiers montréalais : l’étude de l’initiative Vivons nos quartiers
Bibliographic record
Abstract
En soulignant le décalage entre les politiques mouvantes et ambiguës, les discours publics « hostiles » et les réalités quotidiennes du terrain, que nous apprend l’étude du cas de l’initiative Vivons nos quartiers sur la mise en oeuvre des politiques migratoires ? Cette initiative, menée par des organismes communautaires montréalais oeuvrant dans le secteur de l’immigration, vise la mise en commun des meilleures pratiques d’inclusion à l’échelle des quartiers de Montréal. Ce projet est né dans le contexte de l’arrivée des réfugiés syriens en 2016, et s’est adapté aux réalités des arrivées nombreuses de demandeurs d’asile en 2017 et 2018. Basé sur une recherche ethnographique, l’article analyse les interactions observées lors de formations, de rencontres et d’instances de concertations d’acteurs communautaires et institutionnels. L’analyse se penche sur la mise en oeuvre des politiques canadiennes d’établissement de « collectivités accueillantes » (Esses et al., 2010 ; Belkhodja, 2009). Nous mobilisons le concept de résilience sociale pour analyser les stratégies déployées par les institutions d’accueil confrontées aux défis liés à l’immigration. En effet, la « crise migratoire » perçue au Québec a influencé de manière contradictoire la mise en oeuvre des politiques d’accueil : d’une part, en « paralysant » et, de l’autre, en « mobilisant » les acteurs du terrain. Le souci de favoriser l’établissement de « collectivités accueillantes » se situe au croisement de cette ambivalence. En produisant une trame narrative mobilisatrice, le projet documenté contribue à la résilience des milieux d’accueil et, par extension, des nouveaux arrivants.
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 | 0.001 | 0.002 |
| Science and technology studies | 0.012 | 0.008 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".