Les effets possibles de la formation sur la productivité : l’apport de données longitudinales
Notice bibliographique
Résumé
Cet article analyse les effets possibles des dépenses de formation formelle sur la productivité des entreprises canadiennes. Si certains travaux mesurent l’intensité de la formation en entreprise à partir de données longitudinales, les résultats obtenus demeurent partagés. Les différences observées dans les résultats antérieurs peuvent être expliquées notamment par les données disponibles, le type de formation, la mesure de formation et les biais techniques influençant cette relation. Cette recherche s’appuie essentiellement sur la théorie du capital humain. Notre étude s’appuie sur les données de l’Enquête sur les milieux de travail et les employés (EMTE) de Statistique Canada de 1999 à 2005, auprès d’un échantillon de 1621 emplacements où, nous modélisons la relation entre la formation et la productivité à l’aide d’une fonction de production Cobb-Douglas, en intégrant les investissements en capital physique et une variable technologique. Ceci nous permet de montrer que les dépenses de formation contribuent à accroître la performance des établissements, via la productivité, de façon progressive dans le temps. Ces dépenses effectuées au cours d’une année donnée influent significativement sur la productivité jusqu’à trois années plus tard, là où elles atteignent leur maximum d’effet, pour se stabiliser par la suite. Toutefois, ces résultats permettent de soulever un paradoxe : celui de la rentabilité observée des dépenses de formation d’un côté, mais, de l’autre, l’hésitation du monde des affaires à investir en cette matière pour leurs propres employés. Nos résultats suggérent également que les investissements en formation au sein des entreprises devraient être considérés davantage comme un atout, plutôt qu’une simple obligation financière à l’appui d’une stratégie globale de développement des compétences au sein des entreprises.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».