Engager sa personne et son parcours de vie dans le bénévolat
Bibliographic record
Abstract
Le GRIS-Montréal organise depuis 30 ans des interventions dans les établissements scolaires. Ces interventions visent à aborder les notions d’orientation sexuelle et d’identité de genre et, surtout, à leur donner un visage. Elles sont spécifiques en trois points. D’abord, elles partent du principe que toute question posée de façon respectueuse mérite une réponse, et que les jeunes sont en capacité, quel que soit leur âge, d’entendre cette réponse. Ensuite, elles sont menées par des bénévoles dûment formé·es pour l’occasion. Finalement, elles s’élaborent à partir de témoignages, c’est-à-dire du vécu des bénévoles qui sont devant les élèves. On connaît de longue date les impacts positifs de l’engagement bénévole sur la santé, parmi lesquels la réduction des symptômes d’anxiété et de stress, l’augmentation de l’estime de soi et la réduction de l’isolement social (Stuart et al., 2020; Linning et al., 2018; De Wit et al., 2015). Or, le « militantisme par le témoignage » (Mensah et al., 2017) tel qu’il se donne à voir au GRIS a ceci de particulier qu’il s’inscrit sur le corps et dans le parcours de personnes minorisées sur le plan du genre ou de l’orientation sexuelle. Sur la base de données colligées via un questionnaire d’enquête et d’entretiens avec plus de 120 bénévoles actuel·les ou passé·es des GRIS du Québec et de l’Acadie, cet article propose de réfléchir aux impacts de leur engagement sur leur santé globale. En particulier, des éléments relatifs à la santé sociale (hausse du sentiment d’appartenance à la communauté LGBTQ+, élargissement du réseau de socialisation, amélioration des relations familiales) et à la santé mentale (hausse de l’estime de soi et de la confiance en soi, diminution des idéations suicidaires) émergent et rendent compte des disparités individuelles dans la capacité à politiser l’engagement bénévole.
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 | 0.008 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 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".