MétaCan
Menu
Retour à la cohorte
Enregistrement W2108360637 · doi:10.7202/014186ar

Empirical Study of Employment Arrangements and Precariousness in Australia

2007· article· en· W2108360637 sur OpenAlexaffvenue
Amber Louie, Aleck Ostry, Michael Quinlan, Tessa Keegel, Jean Shoveller, Anthony D. LaMontagne

Notice bibliographique

RevueRelations industrielles · 2007
Typearticle
Langueen
DomaineHealth Professions
ThématiqueEmployment and Welfare Studies
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésCasualDemographicsJob insecurityPovertyGovernment (linguistics)Demographic economicsCurrent Population SurveySample (material)PopulationBusinessLabour economicsEconomic growthPolitical scienceEconomicsSociologyDemographyWork (physics)Engineering

Résumé

récupéré en direct d'OpenAlex

Much research on precarious employment compares permanent workers with one or two other broadly-defined employment categories. We developed a more refined method of examining precariousness by defining current employment arrangements in terms of job characteristics. These employment arrangement categories were then compared in terms of socio-demographics and self-reported job insecurity. This investigation was based on a cross-sectional population-based survey of a random sample of 1,101 working Australians. Eight mutually exclusive employment categories were identified: Permanent Full-time (46.4%), Permanent Part-time (18.3%), Casual Full-time (2.7%), Casual Part-time (9.3%), Fixed Term Contract (2.1%), Labour Hire (3.6%), Own Account Self-employed (7.4%), and Other Self-employed (9.5%). These showed significant and coherent differences in job characteristics, socio-demographics and perceived job insecurity. These empirically-supported categories may provide a conceptual guide for government agencies, policy makers and researchers in areas including occupational health and safety, taxation, labour market regulations, the working poor, child poverty, benefit programs, industrial relations, and skills development.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,056
Score d'incertitude au seuil0,111

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,014
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,154
Tête enseignante GPT0,458
Écart entre enseignants0,305 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations79
Publié2007
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueRelations industriellesMême sujetEmployment and Welfare StudiesTravaux en français237 207