Surveying the “Post‐Industrial” Landscape: Information Technologies and Labour Market Polarization in Canada*
Notice bibliographique
Résumé
Dans le cours des débats récents concernant l'effet des technologies nouvelles sur le travail, une question touche la polarisation des «bons» et des «mauvais» emplois dans l'économie postindustrielle. Les compétences et les gains figurent au centre des préoccupations. À partir de données tirées de l'Enquête sociale générale de 1994, nous avons examiné l'utilisation de l'informatique au Canada, et nous avons analysé l'incidence de cet usage sur les compétences et les gains liés aux emplois. Nos conclusions n'appuient pas une explication du phénomène de la polarisation fondée sur la technologie dans le marché du travail. Les caractéristiques des travailleurs et les modalités professionnelles sont beaucoup plus importantes, bien qu'il existe des differences rattachées aux competences en infor‐matique dans des regroupements semblables de professions. A key issue in recent debates over the impact of new technologies on work is the polarization of “good” and “bad” jobs within the “post‐industrial” economy. Two dimensions— skill and earnings —have been of central concern. Drawing on the 1994 General Social Survey, we examine computer use in Canada, and analyze its impact on job earnings and skill. Our findings do not support a technology‐based explanation of polarization within the labour market as a whole. Instead, worker characteristics and occupational conditions are far more important, although there is some evidence of computer‐related skill differences within similar groupings of occupations.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».