Évaluation de la qualité des données par âge et sexe du recensement canadien de 1986
Bibliographic record
Abstract
Le recensement est certainement la source d'information la plus complète sur la population canadienne. H n'est cependant pas exempt d'erreurs, en particulier de l'erreur de complétude. Statistique Canada évalue le niveau de cette dernière erreur, au total et pour certaines caractéristiques, au moyen de la contre-vérification des dossiers. Malheureusement, cette méthode ne permet la mesure que du sous-dénombrement brut. La présente étude a pour but de comparer l'estimation des erreurs de complétude par âge et sexe ainsi obtenues à l'échelle nationale en 1986 à celles qui résultent de la comparaison du recensement à d'autres sources de données : estimations postcensitaires définitives; estimations par composantes (générations nées depuis 1961); et fichiers des récipiendaires d'allocations familiales (0-14 ans) ou de sécurité de la vieillesse (65 ans et plus). L'évolution par âge des niveaux de complétude ainsi calculés est identique d'une source de données à l'autre, même si la valeur des niveaux diffère parfois. La moyenne des valeurs pour chaque âge et chaque sexe a permis, à titre d'exercice, d'estimer l'effectif « réel » de la population canadienne au 1er juin 1986.
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 | 0.028 | 0.064 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.009 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".