Winners and Losers: Literacy and Enduring Labour Market Inequality in Historical Perspective
Bibliographic record
Abstract
Les changements économiques à l’échelle mondiale ont transformé la nature de la compétitivité économique et placé l’apprentissage des matières de base comme conditions au succès économique des travailleurs. En Ontario, l’augmentation des emplois et la prospérité économique ont été liées à l’économie du savoir, qui est maintenant considérée comme la panacée qui favorise l’ensemble de la population. Nous démontrons, au contraire, qu’il n’existe qu’un petit nombre de gagnants qui bénéficient de cette économie du savoir contre un grand nombre de perdants. L’alphabétisation (ou multi-alphabétisation), que l’on peut définir comme comprenant l’alphabétisation à l’égard de l’imprimé, du numérique et du visuel ainsi que la numératie, est un facteur essentiel pour que les individus puissent avoir véritablement accès au monde du travail et à l’économie du savoir. Le besoin de développer des politiques d’alphabétisation dans le monde du travail et le lien historique entre alphabétisation et privilèges systémiques ont été mis en évidence par la recherche scientifique, mais n’ont pas été prise en compte dans les pratiques politiques. Nous nous intéressons donc d’une part aux travaux scientifiques réalisés sur l’alphabétisation, et d’autre part, à l’absence de politiques d’ alphabétisation dans le monde du travail. Nous fondons notre analyse sur le contexte historique de l’éducation, de l’emploi et de la formation en alphabétisation au Canada, tout en nous penchant plus particulièrement sur la situation en Ontario anglophone, et en examinant les liens entre ces facteurs et les problèmes systémiques d’accès au marché du travail. Cela nous permet de recommander un modèle politique permettant un meilleur accès au monde du travail fondé sur les résultats scientifiques sur les questions de développement et d’investissement. La possibilité d’obtenir des formations pour développer les capacités humaines au maximum et ainsi permettre aux travailleurs d’obtenir un travail satisfaisant fait de l’alphabétisation un problème de droit et d’équité, tout autant qu’un problème de croissance économique.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".