How countries manage migration data : evidence from six countries
Notice bibliographique
Résumé
With migration data in the global spotlight thanks to processes such as the Global Compact for Safe, Orderly and Regular Migration and others, this report aims to provide a comprehensive picture of how migration data systems work in practice at the national level. IOM’s Global Migration Data Analysis Centre carried out an international comparative study to understand better how countries are meeting a range of different migration data challenges, focusing on six case study countries. The objective of the study is to explore how far countries have been making progress in improving migration data and to understand the practical challenges facing national statistical offices and other stakeholders, the impact of frameworks such as the 2030 Agenda for Sustainable Development and the Global Compact for Migration, and more. This first-of-its-kind report on migration data at the global level will help authorities better identify data capacity-building needs and opportunities related to migration data, and it presents a key opportunity to showcase good practices among countries and practitioners. The report is based on interviews with stakeholders in six countries (Canada, Djibouti, Ireland, Jamaica, the Republic of Moldova and Nigeria), including representatives from national statistical offices, line ministries and academia. The report contains six short migration data country profiles and national-level findings, along with a global-level section synthesizing these and discussing the overall implications for the migration data landscape.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes 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 ».