Les jeunes ruraux : rester, quitter, revenir
Bibliographic record
Abstract
La deperdition des jeunes des collectivites rurales cause depuis un bon moment deja bien des inquietudes. On pense generalement que la plupart des collectivites rurales offrent peu de possibilites a leurs jeunes, ce qui les oblige a partir vers les villes, vraisemblablement pour toujours. Meme s'il existe un corpus de recherche considerable sur la migration interprovinciale, on sait assez peu de choses des modeles de migration entre les regions rurales et urbaines du Canada. D'apres notre analyse, les jeunes de 15 a 19 ans de presque toutes les provinces quittent en plus grand nombre les regions rurales que les regions urbaines, en partie pour poursuivre des etudes post-secondaires. Les modeles de migration sont plus complexes pour le groupe des 20 a 29 ans, mais toute la migration a pour resultat net que les provinces de l'Atlantique, tout comme le Manitoba et la Saskatchewan, enregistrent des pertes nettes de leur population rurale de 15 a 29 ans. Le probleme est particulierement aigu a Terre-Neuve. Les regions rurales des provinces de l'Atlantique qui obtiennent des resultats inferieurs a la moyenne nationale, en termes de gains nets de la population de jeunes, enregistrent ces pertes non pas parce qu'elles perdent une proportion de jeunes plus elevee que la moyenne nationale, mais parce qu'elles ne parviennent pas a attirer assez de jeunes personnes a venir vivre chez elles. Tout au plus 25 % des personnes qui quittent leur collectivite rurale y reviennent dix ans plus tard. L'effet de ce resultat est clair : on ne peut pas compter sur la migration de retour pour preserver la taille de la population d'une cohorte donnee. Les regions rurales doivent plutot compter sur les arrivants d'autres regions (urbaines) pour atteindre cet objectif. Certaines collectivites rurales y parviennent, c'est-a-dire qu'elles enregistrent une migration d'entree nette positive des individus de 25 a 29 ans ou plus, meme si elles enregistrent une perte nette pour les plus jeunes. Ceux qui quittent les regions rurales connaissent generalement une croissance de leurs revenus superieure a celle de ceux qui restent. La question suivante sur le sens dans lequel joue le rapport de causalite reste cependant sans reponse : le processus de migration lui-meme entraine-t-il une croissance des gains superieure ou reflete-t-il la possibilite que ceux dont le potentiel de croissance des gains est superieur ont plus tendance a partir?
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 | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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 teacher head, 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".