L' entrepreneuriat comme voie d’intégration socioprofessionnelle et voie de contournement à la discrimination systémique lors du processus de recherche d’emploi des femmes immigrantes issues de minorités visibles au Québec
Bibliographic record
Abstract
Cet article montre comment l’entrepreneuriat peut favoriser l’intégration socioprofessionnelle des femmes immigrantes tout en contournant certaines formes de discrimination présentes sur le marché de l’emploi québécois. La discrimination systémique, encore d’actualité au Québec et au Canada, contribue à l’hyperprécarité des femmes issues des minorités visibles, qui subissent une double discrimination liée à leur origine ethnoculturelle et à leur genre. Cela se manifeste par des taux plus élevés de chômage, de déqualification et de faibles revenus, nuisant à leur inclusion et au développement local. L’entrepreneuriat devient alors une voie stratégique pour se réaliser professionnellement et s’insérer socialement. Pour appuyer cette analyse, l’article propose d’abord un état des lieux de la discrimination en emploi, puis présente trois ressources actives au Québec qui soutiennent l’entrepreneuriat féminin (le Réseau MicroEntreprendre, Entreprendre ici et le Réseau des femmes d’affaires du Québec), avant de conclure sur les répercussions des entrepreneures sur le développement local.
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 | 0.006 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.017 | 0.007 |
| Scholarly communication | 0.008 | 0.002 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".