Economic integration of immigrants to Canada and foreign credential recognition
Bibliographic record
Abstract
Le manque de reconnaissance des titres de compétences acquis à l'étranger est l'une des causes souvent citées pour expliquer l'augmentation de la disparité salariale entre immigrants et non-immigrants au Canada. Le principal objectif de ma thèse est d'examiner différents aspects de l'intégration économique des immigrants au Canada, et plus particulièrement ceux liés à la reconnaissance des titres de compétences étrangers. Le but de la première étude est d'analyser le lien entre le domaine de l'emploi principal occupé par les immigrants avant leur arrivée et les emplois qu'ils ont occupés en début d'établissement, ainsi que l'effet net d'une adéquation des emplois sur le revenu des immigrants récents. Les résultats suggèrent que la plupart de ces immigrants ne se trouvent pas un emploi dans leur domaine; par ailleurs, ceux qui y parviennent ont un salaire plus élevé. Dans la deuxième analyse, je détermine combien d'immigrants travaillent dans des professions réglementées et non réglementées. J'examine comment l'éducation est associée à la probabilité de travailler dans une profession réglementée et, dans l'ensemble, les immigrants sont un peu moins susceptibles de travailler dans de telles professions. Les immigrants formés en Asie, en Amérique latine et dans les Caraïbes ont beaucoup moins de chances d'occuper une profession réglementée que les autres immigrants et les non-immigrants. L'objectif de la troisième analyse est de comprendre la transition entre l'éducation pre-migratoire et les trajectoires d'éducation au Canada, et les effets de l'investissement en éducation post-migratoire sur l'employabilité et le revenu. Un tiers des nouveaux immigrants ayant une formation postsecondaire poursuivent leurs études pendant leurs premières années au Canada. Ceux qui s'inscrivent à un programme de formation ne voient pas un bénéfice immédiat sur leur revenu et les chances d'être en emploi. Dans le dernier chap
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| 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".