Bibliographic record
Abstract
Au Canada, environ 20 % des emplois sont rA©glementA©s. En moyenne, ces emplois sont mieux rA©munA©rA©s car ils exigent en gA©nA©ral un meilleur niveau d’A©ducation ou de formation et la rA©glementation contrA´lant l’accA¨s A ces emplois tend A en restreindre l’admission. La politique d’immigration canadienne favorise les immigrants ayant un niveau de scolaritA© A©levA©, qui peut mener A obtenir un emploi rA©munA©rA©. Environ 60 % des immigrants canadiens sont dans la catA©gorie A©conomique (travailleurs qualifiA©s et gens d’affaires immigrants), et non dans les catA©gories du regroupement familial et des rA©fugiA©s. L’accA¨s aux emplois rA©glementA©s est directement liA© A la question de la reconnaissance des diplA´mes A©trangers, qui est un dA©savantage largement reconnu pour les immigrants sur le marchA© du travail. On estime que la perte pour l’A©conomie canadienne de l’insuffisance de l’utilisation des compA©tences des immigrants varie entre 2 et 5,9 milliards $ par an. La position A©conomique des immigrants au Canada est bien documentA©e. Cependant le nombre et la proportion des immigrants ayant des emplois rA©glementA©s ou non sont mal connus. Dans une A©tude par les membres affiliA©s du RCCMTC Magali Girard (Centre de recherche hospitalier de l’UniversitA© de MontrA©al) et Michael Smith (UniversitA© McGill) intitulA©e «Travailler dans une profession rA©glementA©e au Canada: Une comparaison entre immigrants et non-immigrants»*, les chercheurs essaient de dA©terminer si une personne ayant A©tA© A©duquA©e A l’A©tranger a de fait de moindres possibilitA©s d’avoir un emploi rA©glementA© qu’une autre ayant un diplA´me canadien et, si tel est le cas, quels sont les facteurs qui influent sur cette situation. La pertinence du capital humain obtenu avant immigration et sa transfA©rabilitA© dans le pays d’accueil sont des facteurs importants qui contribuent aux niveaux de rA©munA©ration des immigrants rA©cents dans de nombreux pays dA©veloppA©s. L’un des buts des politiques d’immigration canadienne A©tant d’attirer des personnes trA¨s instruites, les immigrants au Canada ont en gA©nA©ral dA©jA occupA© des emplois hautement spA©cialisA©s avant d’immigrer. AprA¨s leur arrivA©e, ils peuvent parfois ne pas trouver un emploi exigeant de hautes compA©tences. Dans une A©tude intitulA©e «La transfA©rabilitA© du capital humain des nouveaux immigrants : la concordance de la langue, de l’A©ducation et de l’emploi»*, les membres affiliA©s du RCCMTC Arthur Sweetman (UniversitA© McMaster), Casey Warman (UniversitA© Dalhousie) et Gustave Goldmann (UniversitA© Carleton) examinent les implications, pour les nouveaux immigrants au Canada, de la transfA©rabilitA© du capital humain sur leur rA©munA©ration, y compris les interactions des concordances de la scolaritA©, des compA©tences linguistiques et des emplois avant et aprA¨s immigration.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.068 | 0.014 |
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".