MétaCan
Menu
Retour à la cohorte
Enregistrement W4220861451 · doi:10.3138/cpp.2020-100

Skill Mismatch of Indigenous Peoples in Canada: Findings from PIAAC

2022· article· en· W4220861451 sur OpenAlexaffvenueabout
Alexander Maslov, Jianwei Zhong

Notice bibliographique

RevueCanadian Public Policy · 2022
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueLabor market dynamics and wage inequality
Établissements canadiensEngineers Without Borders Canada
Organismes subventionnairesnon disponible
Mots-clésIndigenousNumeracyDemographic economicsWelfareOddsWageDemographyVulnerability (computing)LiteracyPsychologyGerontologySociologyPolitical scienceEconomicsMedicineLabour economicsEconomic growthLogistic regression

Résumé

récupéré en direct d'OpenAlex

In the Canadian sample of the Programme for the International Assessment of Adult Competencies, lower scores within occupation groups are more common among Indigenous individuals (not living on reserves) than for non-Indigenous individuals. This may be interpreted as evidence of what economists call under-skilling, with no implications regarding current job performance, but which has been associated with increased vulnerability to job loss during economic downturns. Estimated under-skilling rates are higher for English or French literacy among First Nations men, for numeracy among First Nations women, and for both proficiency domains among Inuit women and men. Over-skilling is primarily associated with inefficient use of labour resources and reduced welfare. Controlling for demographic characteristics, we find no consistent statistically significant evidence that the odds of being over-skilled—that is, of having higher scores than those within the same occupation group—are different for Indigenous individuals compared with non-Indigenous individuals. In estimated wage equations, wage differences shrink when our over-skilling and under-skilling estimates are added to the controls, but First Nations differences remain negative and significant, particularly for men.

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)0,001
score de la tête « metaresearch » (Gemma)0,005
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 enseignants0,031
Score d'incertitude au seuil0,228

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,008
Études des sciences et des technologies0,0060,001
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,015
Tête enseignante GPT0,193
Écart entre enseignants0,178 · 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

Citations9
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Public PolicyMême sujetLabor market dynamics and wage inequalityTravaux en français237 207