MétaCan
Menu
Back to cohort
Record W3158182584 · doi:10.26522/vp.v18i1.2728

Expériences migratoires de jeunes Ouest-Africains en France

2021· article· fr· W3158182584 on OpenAlexvenueno aff
French French, Nathalie Agbessi

Bibliographic record

VenueVoix Plurielles · 2021
Typearticle
Languagefr
FieldSocial Sciences
TopicMigration and Labor Dynamics
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesPolitical scienceGeographyArt

Abstract

fetched live from OpenAlex

Les débats sur les phénomènes migratoires exposent la tragédie des migrants clandestins dans les camps d’esclavages en Libye, pendant les traversées dangereuses de la mer et leurs conditions précaires dans les pays d’accueil en Europe, surtout en France. Des efforts sont mis en place pour décourager la clandestinité de sorte à guider les potentiels migrants dans leurs choix. Cette étude s’engage à documenter les expériences migratoires récentes de migrants ouest-africains résidant en France. La théorie migratoire d’Everett Lee qui traite des facteurs liés à la décision de migrer, la nouvelle économie de migration qui interroge l’enjeu économique de la migration et l’importance des réseaux migratoires dans les zones d’accueil guident les questionnaires servis en 2018 à trente migrants de l’Afrique de l’ouest résidant en France. Parmi eux, six se sont prêtés à un entretien de type semi-directif sur leurs expériences migratoires. Les facteurs push et pull de leurs migrations sont quantifiés : le désir d’une formation avancée et l’obtention d’emplois mieux rémunérés. Si la décision de migrer est très personnelle, le financement de la migration est une affaire collective. Le but de la migration est une installation définitive en France et permet au migrant de devenir le socle financier de sa collectivité locale. La diaspora continue à influencer la migration dans l’accueil, l’emploi et l’intégration sociale des migrants. Sans être l’eldorado tant rêvée, la France est plus accueillante que prévue.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.892
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.001
Science and technology studies0.0010.001
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0020.000

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.

Opus teacher head0.010
GPT teacher head0.267
Teacher spread0.257 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designNot applicable
Domainnot available
GenreEmpirical

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".

Quick stats

Citations2
Published2021
Admission routes1
Has abstractyes

Explore more

Same venueVoix PluriellesSame topicMigration and Labor DynamicsFrench-language works237,207