A multivariate analysis using machine learning of the impact of education-based factors on employment income for youth
Notice bibliographique
Résumé
The transition from education to employment is a critical stage for all youth. However, youth employment outcomes vary widely due to complex and interconnected socioeconomic factors, prompting efforts to optimize these outcomes. Although prior studies have examined factors’ individual influences, few have addressed their combined effects. Therefore, this study investigated how educational attainment and work experience during education collectively influence post-education median employment income for Canadian youth aged 15–24, using median income as a measure of equality in youth employment outcomes. Using datasets from Statistics Canada, a neural network model was applied to explore the independent and combined impacts of these factors on median income. By analyzing historical data from the past 20 years, the study aimed to identify trends and simulate potential policy outcomes to guide targeted interventions that could improve youth employment outcomes. The relationships between education, work experience, and median income were found to vary across different provinces and time periods. Using machine learning techniques, the research highlighted the potential of AI-driven approaches to predict and simulate policy effects, offering a valuable tool for economic and educational development. This study also evaluated the model to identify limitations that may have impacted the model’s accuracy, including noise, gaps in provincial data, and challenges in applying machine learning to economic data. We explored potential improvements to these limitations and identified areas for further investigation, such as analysis of localized trends and regional disparities. The study’s findings provide insights for policymakers seeking to optimize socioeconomic outcomes for young Canadians.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».