“Unspoken barriers”: Black anglophone perspectives on Quebec’s Bill 96
Bibliographic record
Abstract
Plus de 45 ans après l’adoption de la Loi 101, la fragilité de la langue française au Québec demeure un sujet de débat public. Toutefois, il est encore peu compris comment les politiques linguistiques visant à promouvoir le français peuvent exacerber les inégalités sociales, notamment chez les Québécois·es noir·es anglophones. À ce jour, peu de recherches ont examiné de manière approfondie l’impact de la récente Loi 14 (anciennement le projet de loi 96) sur cette population, particulièrement à Montréal, où se concentre la majorité des anglophones de la province. Ce mémoire s’appuie sur des données empiriques pour analyser les relations entre le nationalisme, les politiques linguistiques et la discrimination systémique dans le contexte québécois. L’étude explore en particulier la manière dont les personnes noires anglophones de Montréal perçoivent la Loi 14 et comment celle-ci pourrait contribuer à accentuer les inégalités sociales qui les affectent. À travers quatorze entrevues approfondies menées auprès de membres des communautés noires anglophones, nés ou œuvrant dans la région du Grand Montréal, la recherche met en lumière des préoccupations majeures en matière de droits de la personne émanant d’individus à la fois minoritaires sur les plans racial et linguistique. Cette analyse démontre que la Loi 14 pourrait entraver l’accès équitable aux services publics ainsi qu’à des opportunités académiques et professionnelles. Elle révèle également comment des mesures linguistiques en apparence neutres peuvent favoriser des comportements discriminatoires dans leur application concrète. Enfin, cette recherche s’intéresse à l’impact de cette loi sur le sentiment d’appartenance à l’identité québécoise chez les personnes issues d’une communauté doublement minorisée
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.030 | 0.010 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.012 | 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".