Fuite des cerveaux, qualité de l'éducation et politique d'immigration : l'effet sur le capital humain productif
Bibliographic record
Abstract
Avec la réforme de 1967, la politique d’immigration canadienne est passée d’un système de préférences-pays à un système de points. Ce dernier accorde des points aux candidats en fonction de leur niveau d’éducation mais fait abstraction de la qualité de leur éducation. Cet article s’intéresse au système de points ( h ), au système de préférences-pays ( p ) ainsi qu’à un système comprenant à la fois la quantité et la qualité de l’éducation (appelé « système de points q² »). Il s’intéresse à leur effet sur le capital humain productif moyen du pays d’accueil, (c’est-à-dire le produit de la qualité et de la quantité ou niveau de l’éducation) ou niveau de compétences S , sur celui des immigrants, et celui d’un pays d’origine 1 (2) à qualité d’éducation élevée (faible). Il montre entre autres que i) S est plus élevé dans le système q² que dans le système de points ( S q > S h ), ii) S est plus élevé dans le système de préférences-pays que dans le système de points ( S p > S h ), iii) la supériorité de S dans le système q² par rapport au système de préférences-pays ou vice versa est ambiguë, avec S q > (<) S p si la qualité de l’éducation dans le pays 1 relativement au pays 2 est plus élevée (faible) que le degré de préférence pour les migrants issus du pays 1 relativement au pays 2, iv) une augmentation de la qualité de l’éducation dans un pays d’origine à qualité d’éducation élevée (faible) a un effet positif (ambigu) sur S sous les trois politiques, et l’effet est plus grand dans le système q² que dans le système de points, et v) le passage du système de points au système q² entraîne un gain en capital humain ou gain net de cerveaux pour le pays 1 et une perte ou fuite nette de cerveaux pour le pays 2. Classification JEL : F22, I25, I26, J24.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.018 | 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".