Notice bibliographique
Résumé
Purpose Analysts predict that disruptive technologies, such as artificial intelligence, will have a monumental impact on the world of work in the coming decades, exacerbating existing skills gaps faster than education systems can adapt. This paper aims to review research on the forecasted impact of technology on labour markets and skill demands over the near term. Furthermore, it outlines how social innovations and inclusion can be leveraged as strategies to mitigate the predicted impact of disruptive technologies. Design/methodology/approach The paper engages in an overview of relevant academic literature, policy and industry reports focussing on disruptive technologies, labour market “skills gaps” and training to identify ongoing trends and prospective solutions. Findings This paper identifies an array of predictions, made in studies and reports, about the impact of disruptive technologies on labour markets. It outlines that even conservative estimates can be expected to considerably exacerbate existing skills gaps. In turn, it identifies work-integrated learning and technology-enabled talent matching platforms as tools, which could be used to mitigate the effects of disruptive technologies on labour markets. It argues that there is a need for rigorous evaluation of innovative programmes being piloted across jurisdictions. Research limitations/implications This paper focusses on these dynamics primarily as they are playing out in Canada and similar Western countries. However, our review and conclusions are not generalizable to other regions and economies at different stages of development. Further work is needed to ascertain how disruptive technologies will affect alternative jurisdictions. Social implications While “future of work” debates typically focus on technology and deterministic narratives, this paper points out that social innovations in training and inclusive technologies could prove useful in helping societies cope with the labour market effects of disruptive technologies. Originality/value This paper provides a state-of-the-art review of the existing literature on the labour market effects of novel technologies. It contributes original insights into the future of work debates by outlining how social innovation and inclusion can be used as tools to address looming skills mismatches over the short to medium term.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».