Brain Drain, Educational Quality and Immigration Policy: Impact on Productive Human Capital
Notice bibliographique
Résumé
With the 1967 reform, Canada’s immigration policy changed from a country-preference system to a points system. The latter provides points according to applicants’ education level but abstracts from the quality of their education. This paper considers the points system (h), the country-preference system (p), as well as a system that includes both educational quantity and quality (termed the “q2 points system”). It focuses on their impact on the host country’s average productive human capital – the product of educational quality and quantity – or skill level S, on that of the immigrants, and of high (low) education-quality source countries 1 (2). It shows, among others, that i) S is greater under the q2 system than under the points system (Sq > Sh) ; ii) S is greater under the country-preference system than under the points system (Sp > Sh) ; iii) whether S is greater under the q2 or the country-preference system is ambiguous, with Sq > (l) Sp if the quality of education in Country 1 relative to Country 2 is higher (lower) than the degree of preference for migrants from Country 1 relative to Country 2 ; iv) an increase in education quality in the high- (low-) quality source country has a positive (ambiguous) impact on S under all three policies, and the impact is larger under the q2 than under the points system ; and v) a switch from a points system to a q2 system results in a human capital gain or net brain gain for Country 1 and a loss or net brain drain for Country 2.Classification JEL : F22, I25, I26, J24.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».