Guide de l'utilisateur pour le Programme annuel de la productivite multifactorielle de Statistique Canada
Bibliographic record
Abstract
Le secteur des Comptes canadiens de productivité (CCP) de Statistique Canada consacre deux programmes à la productivité multifactorielle (PMF). Le Programme de la productivité multifactorielle par principal secteur établit des indices pour l'ensemble du secteur des entreprises et les groupes d'industrie qui le composent. Le Programme de la productivité multifactorielle par industrie ou Programme KLEMS de productivité par industrie tient une base de données comprenant des indices de productivité multifactorielle sur la production et les facteurs englobant le capital (K), le travail (L), l'énergie (E), les matières (M) et les services (S) comme inrants dans les diverses industries du secteur des entreprises, et ce, à divers niveaux d'agrégation industrielle. Nous décrirons le cadre méthodologique et les sources d'information qui servent à élaborer ces indices par principal secteur et la base de données sur la productivité par industrie (KLEMS). Plus précisément, notre but sera : de décrire le contexte des programmes de la productivité multifactorielle par principal secteur et par industrie; d'exposer le cadre méthodologique de mesure de la PMF; de décrire les sources d'information et les données de ces programmes; de dresser un ordre de qualité pour les données KLEMS par industrie; de décrire un plan de recherche pour ce même programme.
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 | 0.020 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.004 |
| 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; 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".