Les revenus et la langue : le cas de la capitale nationale
Bibliographic record
Abstract
Cette étude analyse les disparités linguistiques de revenus des hommes dans la région Ottawa-Hull à partir des données du recensement de 1981. Après avoir fait dans un premier temps quelques comparaisons de revenus moyens, l’étude procède ensuite au moyen de l’analyse de régression. La variable dépendante est le logarithme du revenu du travail en 1980 et les variables indépendantes sont l’éducation, l’expérience, le nombre de semaines travaillées, le statut matrimonial, le bilinguisme et le transfert linguistique. Étant donné l’importance du gouvernement fédéral comme employeur dans la région, une analyse spéciale est faite avec les travailleurs du secteur public. Parmi les conclusions qui se dégagent de l’analyse, on note que les francophones ont des niveaux de scolarité beaucoup plus faibles que ceux des anglophones et que le bilinguisme, contrairement à ce qui a été observé ailleurs, ne semble pas avoir un effet net positif sur le revenu des francophones. Ce dernier fait peut être attribué au faible nombre de francophones unilingues et à la présence d’un biais de sélection. Par contre, la connaissance du français aurait un effet net positif sur le revenu des anglophones, particulièrement ceux qui travaillent dans le secteur public.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".