L’impact de la connaissance des langues officielles, du niveau de littératie et du pays d’origine sur le risque de surqualification au travail des immigrants canadiens
Bibliographic record
Abstract
À l’instar du revenu ou du taux d’emploi, le taux de surqualification est un indicateur d’intégration des immigrants sur le marché du travail. Comparativement à la moyenne de l’OCDE, le taux de surqualification au Canada est élevé, mais l’écart entre les immigrants et les natifs est relativement faible. L’objectif de cette recherche est de mesurer l’impact de la connaissance des langues officielles et des compétences en littératie sur le risque plus élevé pour les immigrants d’être surqualifié par rapport aux natifs. Les données canadiennes de l’enquête du Programme pour l’évaluation internationale des compétences des adultes (PEICA) de 2012 sont utilisées. Au total, l’échantillon retenu compte 13 624 cas et représente les 14,5 millions de Canadiens âgés de 25 à 64 ans détenant un diplôme d’études secondaires ou plus qui étaient en emploi au cours de la semaine précédant l’enquête. Les résultats montrent que l’usage des langues officielles et le niveau de littératie ont un impact significatif sur la propension des travailleurs canadiens à être surqualifiés. Le fait de parler une langue non officielle à la maison et le fait d’avoir un faible niveau de littératie sont tous les deux associés à une augmentation de 70 % du risque d’être surqualifié. Bien qu’il existe une relation entre langue et littératie, ces deux types de compétences expliquent une part distincte du risque de surqualification des travailleurs canadiens.
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".