Les collaborations école-famille immigrante-communauté (ÉFiC) : multiplier les voix et les regards pour mieux comprendre comment les soutenir
Bibliographic record
Abstract
Chaque année, des milliers de familles immigrent au Québec et s'y installent.Les profils de chacune d'entre elles diffèrent ; elles viennent des quatre coins du monde et s'expriment dans diverses langues.Le parcours migratoire respectif de chaque famille est lui aussi diversifié à plusieurs égards sur les plans de la planification, de la complexité ou de la linéarité, notamment en raison de divers aléas géopolitiques.Cette réalité engendre différents effets sur le système scolaire de la province, sur le personnel scolaire qui y œuvre de même que sur les organismes communautaires qui soutiennent ces familles à travers leur parcours d'intégration.Actuellement, c'est plus du tiers des effectifs scolaires québécois qui sont issus de l'immigration de première ou de deuxième génération ; la majorité d'entre eux est scolarisée dans la métropole montréalaise, mais une présence de plus en plus marquée en dehors de celle-ci est notable (ministère de l'Éducation du Québec [MEQ], 2024).C'est donc dire que, au quotidien, des écoles de la plupart des régions du Québec ont à établir des relations avec des familles immigrantes aux profils divers.
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 | 0.012 | 0.059 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.023 | 0.016 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".