Bibliographic record
Abstract
Des pays européens, qui étaient depuis la Deuxième Guerre des modèles de stabilité de l’emploi et de taux de chômage très faibles, se retrouvent maintenant avec des taux de chômage excédant les 10 %. Aux États-Unis, par contre, la grande préoccupation, avec un taux de chômage légèrement inférieur à 5%, c’est la possibilité de surchauffe du marché du travail et la relance de l’inflation. Que s’est-il donc passé pour que l’on ait un renversement aussi dramatique de la situation? Ce que nous appuyons dans cet article comme hypothèse d’explication de la situation présente sur les différents marchés du travail s’énonce comme suit : les institutions, les lois, les formes de contrat et les habitudes émergent et se façonnent au cours d’une période de l’histoire en fonction d’une réalité dominante et persistante à cette époque. Cependant, lorsque cette réalité se transforme profondément et rapidement, ces institutions, ces lois, ces formes de contrat et ces habitudes peuvent devenir des contraintes importantes aux adaptations requises par cette nouvelle réalité. Cette hypothèse n’est pas nouvelle, elle découle de l’ouvrage remarquable de North (1990). Nous limitons notre analyse à deux grands pays industrialisés d’Europe, à savoir la France et l’Allemagne, de même qu’aux États-Unis et au Canada.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 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".