Le bien-être chez les élèves HDAA de première génération de l’immigration: l’influence de l’approche catégorielle, des étiquettes et des modèles de service
Bibliographic record
Abstract
Le bien-être des élèves en milieu scolaire est un enjeu qui suscite de plus en plus d’intérêt depuis quelques années. Les adolescents de première génération d’immigration identifiés comme EHDAA et scolarisés en classe d’adaptation scolaire fermée, eux, sont susceptibles de vivre des enjeux inhérents à leur statut particulier qui peuvent grandement affecter leur bien-être. Alors que 67,1% des élèves dans les écoles de Montréal sont issus de l'immigration (Réseau Réussite Montréal, 2019), les données quant à leur présence dans les classes d’adaptation scolaires, elles, sont difficilement accessibles, bien que des études antérieures aient dénoncé une surreprésentation de certaines communautés au sein des effectifs ÉHDAA de la province (McAndrew et al., 2011). Les difficultés liées à l’adolescence à et au contexte migratoire, conjuguées à un statut EHDAA sont des croisements peu étudiés au sein des écrits (Collins et Borri-Anadón, 2021), d’autant plus qu’aucune étude ne s’est attardée, à notre connaissance, à leurs impacts sur le bien-être de ces jeunes. Cette étude de cas multiple, réalisée auprès de trois adolescents issus de première génération d’immigration scolarisés en classe d’adaptation scolaire a pour but de documenter et de décrire les répercussions du processus de catégorisation, du modèle de service ainsi que de l’approche catégorielle sur le bien-être des élèves. Nos données témoignent d’un processus de catégorisation vécu d’une manière somme toute positive, alors que l’annonce de la catégorisation et du changement de modèle de service, elle est vécue comme un choc. Des sentiments d’exclusion, de discrimination, d’injustice et des enjeux d’estime de soi et de relations interpersonnelles ont également été relevés.
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 | 0.010 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".