Equity, diversity and inclusion in Canada's forest sector labour force: Are we making progress?
Notice bibliographique
Résumé
Around the world, the labour force supporting commercial forestry has been male-dominated and Canada is no exception. Women, Indigenous Peoples and immigrants in Canada often face systemic barriers such as racism, sexism that result in specific inequalities including income disparities, job segregation, and uneven opportunities for training and mentorship. In response, federal and provincial governments, industry, and educational institutions have introduced policies and taken action to enhance equity, diversity, and inclusion (EDI) in the labour force across multiple sectors. In this paper, we explore Canada's progress in building a diverse and equitable forestry labour force. We analysed data from national forestry strategies (1981–2019), State of Canada's Forests Reports (1990–2023), and the quinquennial national Census (1991–2021), using proxies to examine progress in employment opportunities and representation of three equity-denied groups: women, Indigenous Peoples, and immigrants. Although there are high-level policies for EDI, federal government documents for the forest sector revealed little attention to EDI, with the exception of promoting opportunities for Indigenous workers. Census data show slow and uneven progress with respect to labour force participation, income, and job segregation in forestry. While there is progress in opportunities for Indigenous people, the data show that they still have lower incomes and occupy fewer management positions than others employed in commercial forestry. We reflect on several limitationsin the available data and conclude that if the forest sector in Canada and other similar contexts seeks to advance EDI in its forestry labour force, it must commit to broad motivations for diversity beyond industry competitiveness, set clear targets, introduce new practices, take action and publicly report on the results.
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 | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,012 | 0,005 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».