Notice bibliographique
Résumé
It is well-documented that workers displaced from long-tenure jobs tend to have difficulty finding new employment, and face even greater difficulty finding a job without suffering a substantial loss in earnings. Workers with significant prior tenure typically undergo substantial earnings losses, with mean losses of 25-35 percent for those with at least five years’ tenure. Such earnings losses have been found to be persistent even five years after the displacement. Earnings losses suffered by displaced long-tenure workers tend to be large and may be permanent. Policies to address problems faced by displaced long-tenure workers tend to be centred on education, training and skill development. A report by CLSRN affiliate Stephen Jones (McMaster University) entitled “The Effectiveness of Training for Displaced Workers with Long Prior Job Tenure†(CLSRN Working Paper no. 92)* cautions that research shows returns to training for displaced workers that are low, being significantly less than the returns to formal schooling which lie in the 6-9% range. On a cost-benefit basis, the body of evidence does not show that training pays off for most of the displaced population. How does a firm’s decision to engage in employee training react to economic fluctuations? During downturns, lower productivity (a “negative productivity shock†) can be associated with increased training, as the opportunity cost to train workers is lower. However, increased productivity (a “positive productivity shock†) can be related to the adoption of new technologies that may require training, which can create increased return to skill. Currently, there is little evidence to prove which of the two scenarios holds more accurately over the other. In a paper entitled “The Impact of Aggregate and Sectoral Fluctuations on Training Decisions†(CLSRN Working Paper no. 45) CLSRN affiliates Vincenzo Caponi (Ryerson University), Cevat Burc Kayahan (Acadia University), and Miana Plesca (University of Guelph) examine how the firm-level decision to train depends on aggregate and sectoral output fluctuations, and find that more training tends to happen during downturns, and that training is generally higher in sectors that are doing relatively better than others.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,008 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,007 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,615 | 0,512 |
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 source (Gemma direct ou Codex distillé), 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 ».