Using linked data to inform multidimensional real-world issues: Canadian examples
Notice bibliographique
Résumé
Issues at the top of global and national policy agendas, such as the COVID-19 pandemic, climate emergency, and energy and cost of living crises, are illustrating the interconnectivity of the economy, society, and the environment. Moreover, it is clear, that impacts of these issues are not uniformly felt across societies. Greater granularity of information is required to address inequalities. As a result, policy makers are taking a more holistic view of issues to address the interlinkages across domains. This is driving the demand for Statistics Canada to provide statistical insights that address these cross-cutting policy issues and provide more granular information across multiple domains. Linked data are necessary for understanding the interrelated nature of these issues and the scope of their impact. For example, recent Canadian research based on linked data has shown that COVID-19 led to changes in work arrangements that have implications for public transit use and greenhouse gas emissions. The employer-employee linked administrative data augmented with a further linkage to census data provide opportunities for Canadian researchers to produce multidimensional insights on a portrait of racialized groups and immigrants including refugees’ presence in the Canadian economy, their sociodemographic characteristics, and their performance over time relative to other Canadians, particularly post the COVID pandemic. Rapid growth in data availability for research also poses new challenges ranging from technical issues needed for the feasibility of data linkage to stewardship issues related to governance, access, and oversight. The presentation will also discuss the lessons learned and reflections from the Canadian experiences.
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 | 0,005 | 0,002 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,008 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».