Discrimination raciale au sein des femmes immigrantes sur le marché du travail : le cas des minorités visibles et des minorités non-visibles de Montréal
Bibliographic record
Abstract
Ce travail se veut une étude exploratoire visant à faire des liens entre la race, le lieu de naissance et le niveau d'éducation, afin d'analyser les inégalités qui affetent l'accès à l'emploi des femmes immigrantes, mais plus particulièrement celles issues de minorités visibles. Ce sujet de mémoire puise son importance sur les diverses causes de la discrimination systémique avec un intérêt particulier sur le volet raciale non négligeable qui met l'accent sur le lieu de naissance ainsi que la couleur de la peau comme facteur possiblement déterminant sure le marché du travail à Montréal. À l'aide du recensement de 2006, nous voulons vérifier l'hypothèse selon laquelle, les immigrantes issues de minorités visibles ont un certain désavantage à accéder au marché de l'emploi et à avoir des occupations en haut de l'échelle par rapport aux immigrantes blanches. Notre travail vise à savoir si les immigrantes ont un désavantage par rapport aux femmes nées au Canada mais surtout à savoir si les immigrantes issues de minorités visibles ont un désavantage sur le marché du travail. Ce désavantage serait dû au fait qu'elles ne soient pas nées au Canada d'une part et d'autre part qu'elles ne soient pas blanches.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.008 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".