Mixer le social ? Intervention et exercice de la parentalité dans un contexte de gentrification à Montréal
Bibliographic record
Abstract
La « mixité sociale » fait partie des stratégies des pouvoirs publics pour déconcentrer les quartiers pauvres et favoriser une plus grande cohésion sociale entre les habitant-es issu-es de divers milieux sociaux, culturels et économiques. Alors que la ville fait face à un contexte de gentrification, où des populations plus aisées s’installent dans des quartiers populaires, les politiques de mixité sociale veulent maintenir l’accès à la ville des populations issues de toutes les catégories sociales. Si ce phénomène et ses impacts sur les coûts des logements ou des produits de consommation sont relativement bien documentés, nous en savons encore très peu sur la mise en oeuvre de la mixité en intervention sociale et, plus particulièrement, dans les services entourant le développement de la petite enfance et le soutien à la parentalité. Cet article s’appuie sur une enquête ethnographique combinant une analyse documentaire, des observations, 16 entrevues avec des mères fréquentant les services publics et communautaires qui mettent en place les politiques de soutien à la parentalité et de développement de l’enfant, ainsi que 14 entrevues avec des intervenant-es qui travaillent dans ces structures. L’analyse permet d’observer le fait que le projet de mixité sociale, s’il a pour qualité de promouvoir l’inclusion et l’accès universel de toutes les mères à ces services, pose certaines limites pratiques. Paradoxalement, il ne permet pas à certaines mères, et particulièrement aux plus pauvres et aux plus marginalisées, de rester incluses dans les services qui leur sont pourtant destinés.
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
Direct model labels (unvalidated)
Per-model category and study-design labels from the labeling rounds. They are machine output, unvalidated, and the disagreement between models ships as data. No study design here is MEDLINE-validated yet.
| Model arm | Categories | Study design | Confidence |
|---|---|---|---|
| gemma | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: no | Qualitative | low |
| gpt | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: yes | Qualitative | high |
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.015 | 0.009 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.002 | 0.004 |
| 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, unvalidatedLabeled directly by 2 models reading the full record.
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".