Assessing the Impact of Generative AI on Canadian Labor Market: An Empirical Approach
Notice bibliographique
Résumé
The rapid advancement and integration of Generative AI and Large Language Models (LLMs) into various sectors raise significant concerns about their impact on the labor market. This research assesses the extent to which occupations in Canada are exposed to these technologies. Using data from the Canadian Occupational and Skills Information System (OaSIS) and adapting the methodology of Felton et al. (2018, 2021, 2023), we calculated AI Occupational Exposure (AIOE) scores for 900 occupations. The findings demonstrate a high correlation between Canadian and U.S. occupations in terms of AI exposure, with Pearson and Spearman coefficients of 0.888 and 0.883, respectively. Approximately 45% of the Canadian workforce, or 9.2 million people, are in sectors with high AI exposure, indicating significant potential for job transformation. Notably, roles in management and business-related occupations, which account for over 25% of total employment, show an AI exposure rate of 86% and 88%, respectively. The study highlights the need for upskilling in highly exposed occupations, particularly in management, finance, and applied sciences. While this research addresses an important gap in understanding Generative AI’s impact on the Canadian labor market, it also identifies several limitations, including the lack of detailed ability importance data and confidentiality restrictions on fine-grained employment data. Future research should explore the regional impacts of Generative AI, as well as the effects on various demographic groups.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 ».