Diversité ethnoculturelle dans l’enseignement postsecondaire au Canada : expériences d’acteur⋅rice⋅s et pratiques institutionnelles
Bibliographic record
Abstract
Le présent numéro thématique traite des enjeux de la prise en compte de la diversité ethnoculturelle dans l’enseignement postsecondaire au Canada. Il s’agit plus précisément d’analyses de l’expérience d’étudiant⋅e⋅s immigrant⋅e⋅s ou issu⋅e⋅s de l’immigration et d’étudiant⋅e⋅s internationaux⋅les, sous l’angle de la persévérance dans les études et du processus d’acculturation aux établissements de formation et à la société d’accueil. Un article du présent numéro se penche aussi sur les expériences de personnes noires d’origine africaine, gestionnaires dans l’enseignement supérieur. Les contributions analysent les expériences des acteur⋅rice⋅s à partir de diverses avenues théoriques, mettant notamment l’accent sur les processus d’acculturation et les mécanismes d’exclusion (préjugés, racisme, discrimination) ainsi que sur les théories à visées émancipatrices (antiracisme, équité, interculturalisme, multiculturalisme, etc.). Les rédactrices invitées souhaitent que les différents angles de réflexion sur la thématique indiquent des pistes d’amélioration ou de transformation des pratiques de formation et de gestion dans l’enseignement postsecondaire, pour mieux tenir compte de la diversité ethnoculturelle.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.028 | 0.014 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 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".