L'expérience de l'intégration professionnelle d'infirmières immigrantes de minorités visibles
Bibliographic record
Abstract
Le but de la présente recherche était de comprendre l'expérience d'intégration professionnelle d'infirmières immigrantes de minorités visibles1 travaillant dans un milieu de soins à Québec. Sept entrevues semi-dirigées et un journal de bord ont permis de dresser un portrait sommaire de l'expérience d'intégration professionnelle d'un infirmier et de six infirmières de la région. Notre analyse de données recueillies, guidée par le cadre théorique de Srivastava (2007), a fait ressortir quatre thèmes, appuyés par des patterns. Ces thèmes sont : s'engager à connaître l'autre, nourrir la relation interpersonnelle, faire face aux défis au quotidien et reconnaître les indices d'une intégration réussie. Les résultats de notre étude corroborent ceux de la littérature dans le sens que l'expérience d'intégration des professionnelles d'origines ethniques différentes de la région nécessite beaucoup d'investissement personnel de la part des personnes en interaction. Cela demande également le développement de la compétence culturelle, tant individuelle qu'organisationnelle. Les recommandations de cette étude visent à diminuer les embûches que peuvent rencontrer les futures professionnelles de la santé issues de minorités visibles.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.013 | 0.006 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.001 | 0.006 |
| 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; 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".