Union européenne et migrations internationales
Bibliographic record
Abstract
Résumé Cet article repose sur une base de données originale mesurant les stocks et les taux d’émigration par niveau de qualification pour tous les pays du monde et pour la majorité des territoires dépendants en 1990 et en 2000 (Docquier et Marfouk [2005]). Nous analysons ici le rôle de l’Union européenne à quinze membres ( ue 15) dans la mobilité internationale des travailleurs qualifiés. Par rapport au reste de l’ ocde , l’ ue 15 se distingue par la faible qualification moyenne de ses immigrés. Néanmoins, en tant que terre d’accueil privilégiée des émigrants africains, elle joue un rôle significatif dans ce débat. L’ ue 15 attire une part importante des migrants diplômés en provenance de pays proportionnellement très affectés par l’exode de leurs cerveaux. L’estimation non paramétrique des densités de taux de migration confirme ce résultat. Au total, si l’Europe enregistre une large perte nette de capital humain dans ses échanges avec les grandes nations d’immigration, elle compense quasiment ce déficit en attirant des travailleurs diplômés en provenance des pays en développement. L’effet net est toutefois dérisoire comparativement aux larges gains observés aux États-Unis, au Canada et en Australie.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.004 | 0.010 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.025 | 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".