Quelles caracteristiques du capital humain predisent le mieux les gains des immigrants de la composante economique
Notice bibliographique
Résumé
Une abondante litterature traite du lien entre les caracteristiques des immigrants et leurs gains au Canada, mais les connaissances sont limitees en ce qui a trait a l'importance relative de divers facteurs lies au capital humain comme la langue, l'experience de travail et le niveau de scolarite pour predire les gains des immigrants de la composante economique. La diminution des gains des immigrants depuis les annees 1980, laquelle etait concentree chez les immigrants de la composante economique, a favorise des changements dans le systeme de points au debut des annees 1990 et en 2002, principalement dans le but d'ameliorer les gains des immigrants. Quand vient le temps d'effectuer de tels changements, il est important de connaitre le role relatif des differentes caracteristiques qui servent a determiner les gains des immigrants. Le present document porte sur deux questions. Tout d'abord, quelle est l'importance relative de facteurs observables lies au capital humain pour predire les gains des immigrants de la composante economique (demandeurs principaux) qui sont selectionnes par le systeme de points? Ensuite, l'importance relative de ces facteurs varie-t-elle a court, moyen ou long terme? Cette recherche est fondee sur la Base de donnees longitudinales sur les immigrants (BDIM) de Statistique Canada.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».