MétaCan
Menu
Back to cohort
Record W3204610676 · doi:10.7202/1082073ar

Développer la résilience chez les jeunes trans et non binaires : un modèle basé sur l’éthique de la reconnaissance d’Axel Honneth

2021· article· fr· W3204610676 on OpenAlexaffvenue
Denise Médico

Bibliographic record

VenueInternational Journal of Child and Adolescent Resilience · 2021
Typearticle
Languagefr
FieldPsychology
TopicLGBTQ Health, Identity, and Policy
Canadian institutionsUniversité du Québec à Montréal
Fundersnot available
KeywordsHumanitiesPhilosophy

Abstract

fetched live from OpenAlex

Notre objectif est de participer à la fondation des bases théoriques et empiriques des approches transaffirmatives pour les jeunes trans et non binaires (JTNB). Nous proposons un modèle dont les bases théoriques s’ancrent dans l’éthique de la reconnaissance d’Axel Honneth et dont les moyens et les outils d’intervention sont développés à partir des écrits sur les facteurs de résilience chez cette population spécifique. La recherche de ces 10 dernières années a montré que les oppressions que les JTNB vivent tout au long de leur développement ont un impact délétère sur leur santé mentale. La question qui se pose aujourd’hui aux intervenant.e.x.s est donc comment favoriser la résilience ? Pour y répondre, nous proposons quatre niveaux d’intervention basés sur les niveaux de reconnaissance sociale d’Axel Honneth et les travaux sur l'intersubjectivité en psychologie : subjectif, intersubjectif, communautaire et légal. En fonction de ces niveaux, les approches transaffirmatives développent des interventions qui ont les objectifs de favoriser : 1) un sens de soi incarné et positif par la construction identitaire et le dépassement des séquelles de la transphobie; 2) la confiance en soi par des liens interpersonnels validants; 3) l’estime de soi par la fierté d’être trans et l’ancrage communautaire; 4) le respect de soi par la possibilité de vivre dans le genre désiré en sécurité et avec équité.

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)0.002
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.187
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0020.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0000.001
Scholarly communication0.0000.001
Open science0.0010.000
Research integrity0.0000.001
Insufficient payload (model declined to judge)0.0000.000

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 head0.020
GPT teacher head0.334
Teacher spread0.314 · 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 designObservational
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

Citations4
Published2021
Admission routes2
Has abstractyes

Explore more

Same venueInternational Journal of Child and Adolescent ResilienceSame topicLGBTQ Health, Identity, and PolicyFrench-language works237,207