Concevoir un modèle de prédiction de la qualité de vie entre les immigrants persanophones en France et au Canada selon leurs caractéristiques et l’intelligence culturelle
Bibliographic record
Abstract
Le travail statistique a finalement été effectué avec 317 personnes. Les outils de collecte de données étaient l'inventaire de personnalité NEO PI-R, la version abrégée du questionnaire de l’OMS sur la qualité de vie et le questionnaire d'intelligence culturelle. Pour l'analyse des données, des statistiques descriptives et inférentielles (analyse de corrélation, régression et équations structurelles) ont été utilisées. Les résultats montrent que les traits de personnalité ont une corrélation significative avec la qualité de vie. Parmi ces traits, il y a une corrélation négative avec le névrosisme et une corrélation positive avec les quatre autres facteurs. Par ailleurs, tous les facteurs de la variable « qualité de vie » présentent une corrélation positive significative avec toutes les composantes de l’intelligence culturelle. En ce qui concerne les indices de qualité de l'ajustement du modèle final, nous pouvons affirmer que le modèle fourni et ses coefficients de régression montrent que ces coefficients expliqueraient avec précision la prédiction de la qualité de vie basée sur les traits de personnalité et l'intelligence culturelle.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".