Avoir le profil de l’emploi : la surconcentration d’immigrant·e·s racisé·e·s dans des niches d’emploi précaire à Montréal
Bibliographic record
Abstract
Au moyen d’entretiens, cette étude vise à identifier les facteurs contribuant à la surconcentration de travailleur·euse·s immigrant·e·s racisé·e·s à Montréal dans des secteurs d’emploi précaire, au sein d’entreprises dont le personnel est majoritairement d’origine immigrante. Elle vise également à cerner les conditions de travail qui caractérisent ces « niches ethniques » et à situer les expériences des travailleur·euse·s qui y sont embauché·e·s dans l’ensemble de leur trajectoire professionnelle. En raison d’obstacles systémiques sur le marché du travail, les participant·e·s sont aiguillé·e·s vers ces niches, où ils et elles occupent des emplois sous-payés aux conditions de travail dégradées. La formation de ces niches est aussi due aux réseaux et aux filières de recrutement ethnospécifiques et genrées que mobilisent employeur·euse·s et employé·e·s, souvent par l’entremise d’agences de placement. Dans ces entreprises, les postes de salariés à statut et à salaire plus élevé tendent à être occupés par des natif·ve·s du Québec, alors que les immigrant·e·s sont massivement embauché·e·s temporairement pour effectuer les tâches les plus pénibles et dévaluées. Le genre conditionne aussi en partie la division du travail au sein de certaines de ces entreprises.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.008 | 0.004 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".