Bridging the Digital Divide and Mitigating Cyber Security Risks in Canada
Notice bibliographique
Résumé
Canada's rapid digital transformation has created significant opportunities but also intensified existing inequalities and cyber security vulnerabilities. To better understand these challenges, an analysis is conducted at both individual and firm levels using recent Statistics Canada data and advanced econometric methods. At the individual level, data from the 2020 Canadian Internet Use Survey reveal how socioeconomic and demographic characteristics such as age, education, income, gender, and Indigenous identity influence digital engagement. A survey-weighted debiased Lasso logit model captures complex interactions among these factors, while cluster analysis assesses how provincial pandemic measures affected internet use and digital adoption during COVID-19. Firm-level analysis incorporates data from the 2021 Canadian Survey of Digital Technology and Internet Use and the 2021 Canadian Survey of Cyber Security and Cybercrime. A Business Digital Usage Score quantifies firms' adoption of advanced technologies such as cloud computing, data analytics tools, and artificial intelligence. Stochastic frontier analysis evaluates how close firms are to their technological frontier. A survey-weighted debiased Lasso logit model identifies factors associated with both digital adoption and cyber security vulnerabilities across industries and firm sizes. The Independence of Irrelevant Alternatives assumption in Multinomial Logit models is critically evaluated through simulation experiments examining the performance of the Hausman-McFadden (HM) specification test. The HM test is assessed under a number of data-generating scenarios used to mirror real-world applied research scenarios. To address challenges posed by high-dimensional data, the study introduces a Hausman test based on a debiased Lasso estimator.
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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».