Notice bibliographique
Résumé
In Chapter 3 we introduce the concept of “education intensity” and use this idea to group detailed occupations into four broad categories designated as “tiers.” This approach allows us to discuss some important changes in the demand side of the labor market. In particular, we show that over the last quarter-century, jobs requiring relatively little education have increased faster than the number of less-educated prime-age workers while, at the same time, jobs requiring more education have increased more slowly than the number of more-educated prime-age workers. Given these growing imbalances in supply and demand, labor markets must somehow adjust. Some wage adjustment has occurred, but not all of it is in the “correct” direction. More specifically, by applying a simple textbook supply and demand model of the labor markets, we would predict wages falling in more-educated jobs and rising in less-educated ones. In fact, as we discuss in detail in Chapters 5 and 6, average wages have fallen in less-educated jobs and have stayed approximately the same in more-educated jobs, while wage variance has increased. This is more consistent with excess labor supply for the less-educated jobs, rather than the excess labor demand we demonstrate in Chapter 3. What is happening? Our interpretation of the data is that there is strong downward wage stickiness for jobs in education-intensive occupations. This stickiness is perhaps due to efficiency wages. That is, firms are reluctant to lower wages too much, thereby risking increases in turnover and shirking, as well as reduced morale. Such changes would lower average productivity, from the firm's view.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,071 | 0,009 |
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 ».