Une analyse de l’entrepreneuriat immigrant à partir du lieu d’implantation : le cas des immigrants camerounais de la ville de Montréal
Bibliographic record
Abstract
Le but de cet article est de comprendre le rapport entre le lieu d’implantation et l’entrepreneuriat immigrant à travers le concept de perception lieuitaire. Il vise à mettre en évidence les différentes perceptions des entrepreneurs vis-à-vis de leur lieu d’implantation (sur le triple plan géographique, local et sens du lieu) et le rôle de ces dernières dans le développement de l’activité entrepreneuriale. Nous nous appuyons sur une conception du lieu tirée de la géographie humaine et posons comme question de recherche : quelles sont les constructions lieuitaires spécifiques des entrepreneurs immigrants et comment ces constructions se distinguent-elles de celles des autres travailleurs immigrants de la ville de Montréal ? Nous adoptons une approche qualitative et comparative en distinguant dans notre échantillon les entrepreneurs d’employés immigrants de la ville de Montréal. Les résultats montrent que les constructions lieuitaires que rapportent les entrepreneurs sont différentes de celles des employés et ces différences permettent d’expliquer leur décision d’entreprendre ou de travailler localement. De plus, le lieu révèle significativement plusieurs facettes de l’activité entrepreneuriale immigrante : il permet de comprendre les actions posées par les entrepreneurs immigrants et de définir les éléments d’attraction et de rétention de ces derniers dans un espace particulier.
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 | 0.003 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".