Réflexions et pistes d’action pour favoriser le soutien par les pairs auprès des personnes LGBTQI+ migrantes : les résultats d’une évaluation communautaire du modèle d’AGIR
Bibliographic record
Abstract
Les personnes LGBTQI+ migrantes portent plusieurs identités minoritaires et par ce fait, sont plus à risque de subir plusieurs formes de discrimination et d’oppression, tel que l’homo-lesbo-bitransphobie, le racisme, le sexisme et/ou la xénophobie. Bien qu’il y ait un intérêt grandissant à l’échelle internationale dans la recherche auprès des communautés LGBTQI+ migrantes, peu de recherches portent sur les pratiques de soutien par les pairs auprès de cette population. Ma démarche de recherche a été inscrite dans une recherche communautaire plus large menée par Dr. Edward Lee en partenariat avec AGIR (Action LGBTQI+ avec les immigrant·e·s et les réfugié·e·s). AGIR est un organisme communautaire qui soutient les personnes migrantes LGBTQI+ et en particulier les réfugié·e·s et les demandeur·se·s d’asile LGBTQI+ à Montréal. Nous avons mobilisé la théorie intersectionnelle et le modèle du stress minoritaire pour analyser un total de (N=14) entretiens qualitatifs semi-dirigés auprès des membres soutenu·e·s, membres du conseil d’administration, membres de l’équipe de soutien et employé·e·s qui sont actuellement ou ont été historiquement impliqués au sein d'AGIR. Des retombées positives du soutien par les pairs ont été constatées en lien avec la santé mentale et le bien-être, la navigation sociale et les relations sociales. Toutefois, des défis en lien avec l’ambiguïté du rôle du-de la pair·e, le manque de formations et de supervision, le risque de burnout et de trauma vicariant ont été identifiés. Finalement, nous avons formulé neuf recommandations en lien avec les récits des participant·e·s pour favoriser le modèle de soutien par les pair·e·s au sein d’AGIR.
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 | 0.011 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.009 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 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".