La fécondité des immigrantes établies au Canada entre 2000 et 2014 : une analyse longitudinale par catégorie d’admission
Bibliographic record
Abstract
Cette étude analyse la relation entre la politique d’immigration du Canada et le parcours de fécondité des immigrantes. La Banque de données administratives longitudinales (DAL) permet d’observer le lien entre la catégorie d’immigration des femmes et la naissance d’enfants au pays. À partir d'une analyse qui porte exclusivement sur la fécondité des immigrantes admises comme résidentes permanentes entre les âges de 15 et 44 ans au Canada, des modèles non-paramétriques de Cox mettent en exergue la façon dont les caractéristiques individuelles pré-migratoires et le parcours d’intégration socioéconomique affectent, au fil du temps, les risques relatifs d’avoir un premier et un deuxième enfant sur le territoire canadien. Des courbes de Kaplan-Meier et des calculs de moyennes font état du rythme auquel les naissances surviennent après l’admission au Canada. De manière générale, nous avons évalué le lien entre la fécondité des immigrantes et le virage vers une immigration économique au Canada avec l’adoption de la Loi sur l’immigration et la protection des réfugiés. Les résultats montrent que la catégorie d’admission est un très bon prédictif de la fécondité. Les immigrantes de la catégorie économique semblent être moins à risque de donner naissance au Canada que les immigrantes familiales ou les réfugiées (celles qui ne sont pas admises par le biais d’une évaluation de potentiel d’intégration économique). D’autres caractéristiques individuelles, comme l’âge à l’admission, la cohorte et la région de provenance, affectent également la probabilité qu’une immigrante donne naissance sur le territoire canadien.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".