Measuring participation in undeclared work in Europe using survey data: A method for resolving social desirability bias
Notice bibliographique
Résumé
Measuring participation in undeclared work using surveys has been criticized for under-estimating the level of engagement due to social desirability bias that leads to an under-reporting of “bad” behavior. Until now, few studies have sought to quantify the amplitude of this bias in surveys of undeclared work. The aim of this paper is to fill this gap by using the most appropriate methodologies for estimating the probability of misleading responses in such surveys. Reporting data from special Eurobarometer survey no. 498 conducted in 2019 and involving 27,565 respondents in EU-27 countries and the UK, only 3.5% openly admitted to participating in undeclared work. The results of a Probit model with correction for misclassified cases (i.e., those undertaking undeclared work but declaring that they do not) reveals that nearly a quarter (23.3%) of the respondents undertaking undeclared work refused to openly admit this during the survey, due to the social desirability bias. The estimated overall proportion of undeclared workers is 17.3%. We obtained this value by correcting for both misclassification and the additional source of negative bias due to the large imbalance in the data (i.e., observations in one class are much lower than the other). The outcome of this new advanced approach in analysing undeclared work is that survey estimates can now report its size and determinants in a more accurate manner than has been previously the case.
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 | 0,090 | 0,147 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 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) | 0,002 | 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 ».