Une belle occasion ratée : l’établissement d’un système universel et gratuit de garderies au Québec grâce à l’effet « Pig in the Python » pour les baby-boomers
Bibliographic record
Abstract
Le vieillissement des baby-boomers est le sujet de l’heure dans le monde industrialisé. C’est le cas en particulier au Québec, où le nombre de naissances est passé d’environ 80 000 au début des années 1940 à près de 145 000 en 1959, pour retomber à environ 95 000 au milieu des années 1970. Certains auteurs ont qualifié ce phénomène de « Pig in the Python », en ce sens que, tout au long de leur histoire, les baby-boomers ont été plus nombreux que leurs prédécesseurs et que leurs descendants. Cet effet a eu des répercussions importantes sur la taille des cohortes du système scolaire primaire et secondaire : on est passé d’une population de près de 1 500 000 aux environs de 1970 à environ 1 000 000 au tournant du 21e siècle. À l’aide des données de l’État civil, il est possible d’estimer la décroissance de la taille du système scolaire obligatoire cumulée à près de 550 000 élèves-années au tournant du siècle. À l’aide d’un modèle de macrosimulation « simple », comme les aimait Jacques Henripin, on montrera ici que le Québec pourrait avoir aujourd’hui un système de garderies universel et… gratuit.
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 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".