Les estimations du capital humain au Canada : approche fondee sur le revenu de la vie entiere
Bibliographic record
Abstract
Dans le présent document, nous produisons une estimation de l'investissement en capital humain fondé sur le marché et du stock de ce capital au Canada au cours de la période s'étendant de 1970 à 2007 selon l'approche fondée sur le revenu de la vie entière. Nous comparons cette estimation à celle de l'investissement en capital physique et naturel et du stock de ce capital. En suivant la méthode élaborée par Jorgenson et Fraumeni, nous estimons le stock de capital humain sous forme du revenu de la vie entière prévu de tous les individus. Nous estimons l'investissement en capital humain comme étant des changements au stock de capital humain en raison de l'effet de l'éducation des enfants et de leurs études et de l'effet de l'immigration sur le capital humain, par suite de l'ajout de nouveaux membres à la population en âge de travailler. Les principales constatations sont les suivantes : 1. De 1970 à 2007, le volume du capital humain agrégé a augmenté au taux annuel de 1, 7 % au Canada et la plupart de cette croissance était due à l'accroissement du nombre d'individus faisant partie de la population en âge de travailler. La hausse des niveaux d'études de la population canadienne est également un facteur qui a contribué de manière significative à la croissance du capital humain. 2. Les effets de composition causés par le vieillissement de la population canadienne (mouvement vers une population plus vieille en moyenne) ont réduit la croissance du capital humain de 0, 6 % par année pendant la période de 1980 à 2007, tandis que la hausse des niveaux d'études l'a accélérée de 0, 7 % par année pendant la même période. 3. Le stock de capital humain par personne a augment&e
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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| 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".