Les entreprises d’economie sociale en aide domestique a Montreal : Portraits, contraintes et defis
Bibliographic record
Abstract
Quelle est la situation des entreprises d’économie sociale en aide domestique (EESAD) de Montréal ? Quelles sont leurs particularités? Quels défis spécifiques doivent-elles relever? Et quelles sont leurs principales difficultés? C’est à ces questions que les auteurs ont voulu répondre. Pour le faire, ils présentent d’abord la situation des 101 EESAD du Québec. Puis, ils font une analyse spécifique des données touchant les EESAD de Montréal. Ils examinent, entre autres, l’évolution de leur clientèle et des heures de services offertes depuis 1997; la situation économique des usagers de diverses origines; les caractéristiques de leur logement; les conditions de travail des préposées. Selon les auteurs, plusieurs facteurs pèsent sur la structure de coût des EESAD en milieu urbain. Celle-ci, lit-on en conclusion, n’est pas viable parce qu’elle découle, sur le plan national, d’arrangements institutionnels insatisfaisants. Ces arrangements, qui ne tiennent pas compte d’un certain nombre de facteurs propres aux particularités des EESAD montréalaises, ne leur permettent pas d’assumer pleinement leur mission de services, notamment auprès des personnes en perte d’autonomie et des personnes ayant des incapacités.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.007 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".