The State of Training: Learning, Institutional Innovation, and Local Boards for Training and Adjustment in Ontario, Canada
Notice bibliographique
Résumé
This paper critiques the learning-region literature on two related points. The first is that the learning-region analysis of labour markets is theoretically underdeveloped, because it underestimates the difficulty of overcoming systematic skill mismatches, underinvestment, and free-rider practices which characterize unregulated labour markets. Second and relatedly, because it does not link the problematic nature of labour-market governance to the conflicts and contradictions of state policy, the learning-region literature effectively ‘depoliticizes’ policymaking. The paper draws on a case study of the development of local boards for training and adjustment in Ontario, Canada, and develops an alternative framework utilizing a critical governance perspective which stresses how knowledge and learning must be seen as part of state accumulation and hegemonic strategies. Such strategies are contingent on the representation of stakeholders, in particular business, and current attempts to develop decentralized associational networks are often part of what Jessop terms metagovernance. In the case of Canada, decentralization from the federal to provincial scales is viewed as crisis and cost driven and in many ways antithetical to stakeholder governance. Thus in Ontario, the development of a stakeholder-based form of labour-market governance has been marginalized by shifts in state-accumulation strategies and the inability and disinterest of business in representing itself in such stakeholder institutions. Furthermore, the local boards' generation of knowledge based on inclusionary networks and information is at odds with a state and business emphasis on knowledge derived from exclusive networks and geared to short-term profit maximization.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».