The Impact of Social Networks on Labour Market Outcomes: New Evidence from Cape Breton
Bibliographic record
Abstract
On débat depuis longtemps, en économique et en sociologie, de l’effet des réseaux sociaux sur l’emploi, mais établir des liens de causalité reste toutefois un défi. Dans cet article, grâce à des données portant sur un projet d’intervention auquel les participants ont été choisis au hasard, nous analysons l’impact, sur l’emploi, de variations dans diverses mesures de la taille et de la composition des réseaux sociaux, au niveau des individus et d’une communauté. Nos résultats indiquent que le fait d’avoir participé au projet accroît de beaucoup la taille des réseaux sociaux, en particulier en ce qui a trait aux liens faibles. Toutefois, ce changement ne se traduit pas par une meilleure situation de l’emploi 18 mois après la fin de l’étude. Nous n’observons aucune hétérogénéité dans l’effet de l’intervention sur les participants sur la base de la taille initiale du réseau social d’un individu ; ceux qui ont vu leurs liens forts augmenter à un taux plus élevé durant le projet étaient plutôt plus susceptibles de ne pas avoir d’emploi à la fin de l’intervention. En résumé, nos résultats suggèrent que, si certains programmes peuvent influencer avec succès la taille du réseau social des individus, ces changements ont un effet limité sur la situation de ces derniers sur le marché de l’emploi à long terme ; toutefois, quand on considère les individus qui ont un emploi, la composition du groupe, elle, subit un changement.
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 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".