Notice bibliographique
Résumé
Many Western European countries have dramatically ramped up spending on integration in the hope it will help the large numbers of recently arrived refugees find work and settle into their new societies. But very little is known about how best to target these investments. Governments have little hard evidence of what constitutes value for money in integration, in part because investments rarely pay off right away; it can take years or even generations for their full effects to be felt. There is also a dearth of high-quality evaluation to suggest which types of interventions—from subsidised work experience to training programmes—work best. Very few evaluations of integration policies can prove that the outcomes observed are the result of the intervention, and even most high-quality evaluations only look at the short-term effects of policies and programmes. This report outlines ways policymakers can use a tool often employed by economists—cost-benefit analysis—to calculate the broader social value of their labour-market integration investments and to improve the quality of evidence in this field. Established methods from policy areas such as health and criminal justice are used where—like integration—spending may only pay off over a long timeframe. Such methods allow researchers to model the likely long-term outcomes of interventions, even in the absence of robust evaluation evidence on such interventions, or where initiatives are simply brand new. In other words, it allows decisionmakers to say: if a training programme has its desired effect, for every X euros of investment the programme is expected to produce a Y euro return over a 30-year time period.
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 | 0,293 | 0,585 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,012 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,021 |
| Communication savante | 0,029 | 0,061 |
| Science ouverte | 0,011 | 0,016 |
| Intégrité de la recherche | 0,042 | 0,065 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,047 | 0,016 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».