Villes et croissance : le cerveau gauche des villes nord-américaines : scientifiques et ingénieurs et croissance urbaine
Bibliographic record
Abstract
Le présent document traite de la croissance du capital humain dans les villes canadiennes et américaines. À l'aide de données regroupées sur 242 centres urbains provenant de recensements de la population, nous évaluons le lien entre la croissance de long terme de l'emploi et l'offre de divers types de main d'oeuvre spécialisée. L'étude vise aussi à déterminer si les attraits urbains, tels que l'importance du secteur culturel local, exerce une influence sur les capacités scientifiques des villes. Dans la première partie de l'étude, nous étudions la contribution de catégories générales et spécialisées du capital humain à la croissance de long terme de l'emploi. Nous faisons la distinction entre l'ensemble des diplômés occupés (une mesure générale du capital humain) et les diplômés occupés dans les secteurs des sciences et de la culture (mesures spécifiques du capital humain). Nos modèles de croissance examinent les variations de long terme de l'emploi urbain de 1980 à 2000, et tiennent compte de l'effet d'autres facteurs dont l'influence sur la croissance des villes a été postulée. Ces facteurs incluent des estimations des attraits urbains qui servent de mesures indirectes des différences d'attraits entre les régions urbaines. Dans la deuxième partie de l'étude, nous nous concentrons sur un type particulier de capital humain, à savoir les diplômés occupés dans les professions en sciences et en génie. Nos modèles évaluent les facteurs associés à la croissance de moyen et de long terme de ces professions. Nous nous efforçons tout spécialement de débrouiller la relation entre la croissance de l'emploi en sciences
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.003 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".