Les effets possibles de la formation sur la productivité : l’apport de données longitudinales
Bibliographic record
Abstract
Cet article analyse les effets possibles des dépenses de formation formelle sur la productivité des entreprises canadiennes. Si certains travaux mesurent l’intensité de la formation en entreprise à partir de données longitudinales, les résultats obtenus demeurent partagés. Les différences observées dans les résultats antérieurs peuvent être expliquées notamment par les données disponibles, le type de formation, la mesure de formation et les biais techniques influençant cette relation. Cette recherche s’appuie essentiellement sur la théorie du capital humain. Notre étude s’appuie sur les données de l’Enquête sur les milieux de travail et les employés (EMTE) de Statistique Canada de 1999 à 2005, auprès d’un échantillon de 1621 emplacements où, nous modélisons la relation entre la formation et la productivité à l’aide d’une fonction de production Cobb-Douglas, en intégrant les investissements en capital physique et une variable technologique. Ceci nous permet de montrer que les dépenses de formation contribuent à accroître la performance des établissements, via la productivité, de façon progressive dans le temps. Ces dépenses effectuées au cours d’une année donnée influent significativement sur la productivité jusqu’à trois années plus tard, là où elles atteignent leur maximum d’effet, pour se stabiliser par la suite. Toutefois, ces résultats permettent de soulever un paradoxe : celui de la rentabilité observée des dépenses de formation d’un côté, mais, de l’autre, l’hésitation du monde des affaires à investir en cette matière pour leurs propres employés. Nos résultats suggérent également que les investissements en formation au sein des entreprises devraient être considérés davantage comme un atout, plutôt qu’une simple obligation financière à l’appui d’une stratégie globale de développement des compétences au sein des entreprises.
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 | 0.046 | 0.156 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.006 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".