Agir dans les marges : l'expérience de l’injustice et de la discrimination dans les milieux du bénévolat et de l’implication citoyenne
Bibliographic record
Abstract
Ce rapport de recherche présente la deuxième étude empirique menée sur le bénévolat et l’implication citoyenne en contexte montréalais et québécois par le groupe de recherche Bénévolat en mouvement (Volunteering on the Move), ce dernier ayant comme principal objectif d’analyser les formes actuelles du bénévolat. Les récents mouvements de contestation comme Metoo et Black Lives Matter nous ont conduit·e·s à nous interroger sur les expériences que vivent les bénévoles et les citoyen·ne·s, qui ont tendance à agir dans les marges des milieux du bénévolat et de l’implication citoyenne au Québec. Leurs témoignages nous ont permis de constater qu’ils et elles souffrent d’injustice et de discrimination, en raison d’une identité et une situation sociale particulières. Cette recherche vise à étudier les processus communicationnels qui sous-tendent les phénomènes de l’injustice et de la discrimination au sein des milieux du bénévolat et de l’implication citoyenne, par l’analyse de situations particulières ayant été directement vécues par les bénévoles et les citoyen·ne·s. Le but de notre recherche est de révéler, dans la manière dont les personnes relatent les expériences et significations, qu’ils et elles retirent de ces situations d’injustice et de discrimination, les pratiques communicationnelles qui les rendent possibles. L’étude de ces situations d’injustice et de discrimination contribue à une meilleure compréhension des problèmes communicationnels pouvant survenir au sein des organisations ayant des pratiques de bénévolat et d’implication citoyenne. Une meilleure connaissance de ces thématiques permettrait de formuler des suggestions concrètes pour adapter nos pratiques communicationnelles et potentiellement régler certains conflits et problèmes se répercutant parfois dans l’organisation, la collaboration et la négociation parmi les différent·e·s membres d’une organisation (employé·e·s, bénévoles, responsables). Des pistes de solution et des recommandations sont offertes directement à la fin du rapport de recherche, et sont orientées sur la valorisation de la place primordiale de ces individus au sein des organisations, au regard de leurs profils identitaires, de leurs expériences et de leurs expertises en tant que bénévoles et citoyen·ne·s.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| 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; both teacher heads agree on what is shown here.
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".