Zones grises et recomposition des politiques d’incitation à l’employabilité des jeunes au Maroc : le cas des quartiers pauvres
Bibliographic record
Abstract
Au Maroc, les politiques publiques d’emploi en faveur des jeunes se sont focalisées sur le chômage des diplômés de niveau supérieur qui constitue la principale préoccupation depuis la fin des années 1980, laissant de côté les autres catégories de jeunes, ce qui a entrainé un large mouvement de décomposition-recomposition de l’offre-demande d’emploi, ce qui entraine la montée de nouvelles formes de travail appelées « zones grises » et qui se situe aux frontières des catégories dualistes classiques « formel/informel », « précaire/stable », « public/privé », etc. Bien que L’État ait mis en place un certain nombre de dispositifs pour accompagner ces transformations. Force est de constater que ces politiques publiques d’emploi souffrent de la dispersion et du manque de coordination entre les intervenants publics et privés. Dans le présent article, nous présentons les résultats de l’étude de terrain que nous avons menée au sein d’un quartier défavorisé dans la région de Rabat-Salé, ensuite nous analysons, sur la base des travaux récents sur les zones grises d’emploi, les dynamiques du marché d’emploi local et ses recompositions.
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 | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.001 | 0.003 |
| 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".