Langue et immigration : la connaissance des deux langues officielles comme atout sur le marché du travail
Bibliographic record
Abstract
Cet article examine de manière temporelle les effets de la connaissance des langues officielles sur l’insertion économique de deux cohortes d’immigrants qui se sont installées dans la région métropolitaine de Montréal, l’une en 1989, l’autre en 2009. S’appuyant sur les données de la Base de données longitudinales sur l’immigration (BDIM), il vise plus spécifiquement à répondre à quatre questions : (1) quel est l’effet de la connaissance des langues officielles, français et anglais, sur l’insertion économique de ces immigrants? (2) Quelle langue est la plus favorable à leur insertion économique? (3) Que représente le bilinguisme comme atout économique? Et (4) comment a évolué l’importance du français comme facteur d’insertion économique depuis le début des années 1990 dans la région de Montréal? Les résultats montrent que la connaissance du français à l’arrivée des immigrants en 1989 et 2009 constitue un atout pour l’accès à l’emploi et l’amélioration du revenu d’emploi et que sa valeur augmente avec le temps. Ils montrent également une augmentation de la valeur de la connaissance de l’anglais à l’arrivée des immigrants en 2009 dans un contexte où le bilinguisme devient de plus en plus nécessaire dans un marché du travail plus ouvert sur l’international. La connaissance des deux langues officielles serait ainsi devenue un atout de plus en plus important sur le marché du travail montréalais.
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 | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".