Défis et accès aux programmes ciblant les jeunes ni en emploi, ni aux études, ni en formation (NEEF) au Québec : \nle point de vue des intervenant·e·s
Bibliographic record
Abstract
Ce rapport présente les résultats d’une recherche descriptive portant sur les défis et l’accès aux \nprogrammes destinés aux jeunes ni en emploi, ni aux études, ni en formation (NEEF) menés par une \nmultiplicité d’organismes communautaires et d’employabilité au Québec. Il a été réalisé pour le \nComité consultatif Jeunes de la Commission des partenaires du marché du travail au Québec et la \nChaire-réseau de recherche sur la jeunesse du Québec, dans le cadre d’un stage de maîtrise en \nmobilisation et transfert des connaissances de l’Institut national de la recherche scientifique. Il se base \nsur les échanges découlant des groupes de discussions et d’entretiens individuels réalisés à l’été 2023, \navec une trentaine de personnes intervenantes ou responsables de ces programmes ciblant les jeunes \nen situation NEEF au Québec. Il examine les diverses dimensions du processus d’intégration des jeunes \nen situation NEEF dans les programmes, incluant les facteurs déterminant leur recrutement, les \nconditions des programmes qui facilitent la participation des jeunes, les sources de leur persévérance \ndans ces mesures, ainsi que les retombées des programmes pour les jeunes, les organismes et les \ncommunautés.
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 | 0.006 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.011 | 0.005 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 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".