Effets de la pandémie sur les finances personnelles : Un premier coup d’œil
Bibliographic record
Abstract
Série : Enquête sur les finances personnelles en temps de pandémie – Partie 1 Depuis maintenant 2 mois, le Québec, tout comme le reste du Canada, est confiné en raison de la pandémie de COVID-19. À ce stade, les décideurs ont très peu d’informations pour prendre des décisions éclairées concernant la poursuite des mesures de soutien mises en place jusqu’à présent. En effet, notre système de statistiques sur les ménages, mise à part l’Enquête sur la population active, mensuelle, est basé sur un cycle beaucoup plus long (une à plusieurs années). Les données administratives de nos gouvernements sont présentement difficiles d’accès et, dans tous les cas, n’offrent pas un portrait complet des finances personnelles puisqu’elles ne contiennent pas d’information sur les dépenses des ménages, les actifs ou l’endettement. Pour donner un exemple, il pourrait s’avérer important de connaître qui reçoit les mesures de soutien fédérales comme la Prestation canadienne d’urgence (PCU), ou bien de savoir si les ménages qui ont perdu un emploi ont été en mesure d’utiliser le crédit ou leur épargne afin de subvenir à leurs besoins. D’un point de vue macroéconomique, il pourrait s’avérer important de savoir comment les dépenses des ménages ont changé, la consommation étant une composante importante du PIB. Il peut aussi être important de mesurer les anticipations des ménages quant au futur.
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 | 0.010 | 0.015 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".