Bibliographic record
Abstract
1Selon les statistiques de 2019-2020, 20 % des étudiants de l'École du Barreau se sont volontairement identifiés à l'un des groupes ethnoculturels recensés par le Barreau du Québec 2 lors de leur admission, alors que 10 % des avocats ont fait de même lors de leur inscription annuelle au Barreau.L'immigration, la mondialisation et la mobilité professionnelle vont continuer de façonner la profession et la société de demain.À titre d'exemple, en 2018-2019, le nombre de demandes d'admission au Barreau du Québec provenant de candidats ayant étudié à l'étranger a augmenté de 35 % par rapport à l'année précédente.Votre organisation reflète-t-elle la composition démographique de la profession, de vos clients et de la société?Disposez-vous des outils nécessaires et de processus efficaces pour valoriser la diversité ethnoculturelle et l'inclusion au sein de votre organisation?En ligne : Guide des meilleures pratiques de recrutement pour promouvoir la diversité ethnoculturelle En ligne : Guide des meilleures pratiques de rétention et d'avancement pour promouvoir la diversité ethnoculturelle Dans le cadre du projet Panorama, les participants se sont engagés à implanter les meilleures pratiques visant à augmenter l'embauche, la rétention et l'avancement d'avocats issus de groupes ethnoculturels, à favoriser leur inclusion et à mesurer les progrès à cet égard.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.287 | 0.033 |
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".