Notice bibliographique
Résumé
Essais sur le rôle de l'information dans les investissements en capital humain Cette thèse cherche à évaluer le rôle des politiques d’information dans la réduction des inégalités de capital humain.Dans le premier chapitre, co-écrit avec Bruno Crépon, nous étudions l’impact d’une expérimentation visant à augmenter le recours aux soins des jeunes chômeurs en France. Les jeunes en situation de précarité ont plus de risque de sous-investir dans leur santé, ce qui peut avoir des conséquences économiques et sociales à court et long terme. Dans cette étude, nous examinons deux barrières possibles : le coût des soins, et la mauvaise perception des besoins. A l’aide d’une expérience randomisée, nous trouvons qu’informer individuellement ces jeunes sur leurs besoins ainsi que sur le système d’assurance santé permet d’augmenter leurs investissements, en doublant notamment la probabilité de consulter un psychologue. Nos résultats suggèrent également qu’une telle intervention permet de favoriser les entrées en formation. Afin de distinguer les barrières relevant du coût des soins des barrières relevant d’une mauvaise perception des besoins, nous testons aussi une intervention dans laquelle les jeunes reçoivent uniquement l’information sur le système d’assurance santé. A la différence de l’intervention combinée, cette intervention ne permet pas d’augmenter le recours aux soins, ce qui souligne le rôle crucial des perceptions subjectives dans les décisions de santé.Dans le second chapitre, issu d’un travail avec Marc Gurgand, Nina Guyon et Marion Monnet, nous évaluons une politique consistant à orienter des enfants vivant en zones urbaines sensibles (ZUS) en France vers des structures répondant à leurs difficultés. Dans les ZUS, certains enfants ont tendance à cumuler difficultés scolaires, problèmes de santé, de socialisation, et parfois problèmes familiaux. La politique étudiée consiste à mettre en place des interventions individualisées et multidimensionnelles pour les enfants, impliquant leurs parents et leur enseignant. Ces interventions consistent par exemple à inscrire l’enfant dans un club de sport, à réaliser un bilan de santé, à offrir aux parents une assistance administrative, et reposent sur les ressources disponibles au niveau de la commune. Afin d’identifier un effet causal, nous mettons en place des méthodes d’appariement que nous combinons avec un estimateur en différence-de-différences. Nous trouvons que le dispositif n’a d’effet ni sur le comportement des enfants, ni sur leurs compétences cognitives, et un effet négatif sur la socialisation et la motivation scolaire. Il réduit en revanche l’absentéisme. Une comparaison avec d’autres dispositifs suggère qu’il est nécessaire d’intervenir dès le plus jeune âge et de manière plus intensive pour améliorer la situation de ces enfants défavorisés.Dans le troisième chapitre, j’examine dans quelle mesure les politiques d’information destinées à guider les lycéens dans la transition vers le supérieur permettent d’augmenter le recours aux bourses parmi les étudiants défavorisés au Canada. Les doutes de plus en plus nombreux quant à la capacité des politiques d’aides financières à réduire les inégalités d’accès à l’enseignement supérieur conduisent à s’interroger sur leurs conditions d’efficacité. Cette étude vise à mieux comprendre les barrières informationnelles auxquelles les étudiants sont confrontés. Sur la base d’une expérience contrôlée, je modélise la demande de bourse comme étant fonction de l’utilité perçue de l’université, qui elle-même dépend du niveau d’information des jeunes. J’utilise ensuite le modèle pour simuler différentes politiques d’information souvent mises en œuvre, mais rarement évaluées. Informer les jeunes sur le système d’aides financières s’avère particulièrement efficace. Rencontrer un conseiller scolaire ou faire un test de compétences et d’orientation permet également d’augmenter le recours aux aides. Les simulations suggèrent que de tels dispositifs pourraient égaliser la demande entre étudiants favorisés et défavorisés.
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 | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
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 ».