Défis d’intégration scolaire des élèves immigrants au Québec et contributions des enseignants issus de l’immigration
Bibliographic record
Abstract
Depuis les années 2000, le portrait de l’immigration a beaucoup changé au Québec. La majorité des immigrants proviennent de pays de cultures arabe, africaine, asiatique et latino-américaine et moins de cultures occidentales. Ainsi, le nombre d’élèves de cultures et de langues diverses ne cesse de croître dans les écoles au Québec. Leur intégration scolaire comporte d’énormes défis. L’écart entre la diversité ethnoculturelle des élèves et celle du corps enseignant, ainsi que le manque de compétences interculturelles et antiracistes des enseignants sont cités comme obstacles à la réussite des élèves immigrants. Cet article présente les résultats de deux recherches qualitatives menées au Québec auprès de 32 enseignants issus de l’immigration, au moyen d’entrevues semi-structurées, afin de mieux connaître leur contribution. Ces enseignants constatent des embûches à l’intégration scolaire des élèves immigrants. Ils relèvent notamment une prise en compte insuffisante ou inadéquate de leurs antécédents scolaires, de leurs bagages culturels et de leurs besoins par les établissements scolaires ainsi qu’une absence de maîtrise de la langue française et un retard scolaire pour certains élèves. Leur propre parcours migratoire permet à ces enseignants d’offrir compréhension et empathie à l’égard des élèves immigrants et leur permet d’agir comme des modèles de réussite, d’espoir, d’identité et d’intégration auprès d’eux.
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 | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.014 | 0.006 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| 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".