Tirer le meilleur parti de l'immigration
Bibliographic record
Abstract
La politique d’immigration du Canada ambitionne de favoriser le développement économique par la sélection d’immigrants à fort capital humain, de regrouper les familles, mais aussi de réagir aux crises qui éclatent à l’étranger et de protéger les populations en danger. Les immigrants de la catégorie économique, sélectionnés pour leurs compétences, constituent de loin le groupe le plus nombreux. Le système d’immigration a fait ses preuves et fonctionne bien. Les résultats sont suivis et les politiques sont ajustées de manière à satisfaire les objectifs du système. Un problème se pose cependant, tant du point de vue du bien-être des immigrés que de la hausse de la productivité : leurs gains initiaux ayant fortement diminué depuis quelques décennies, les immigrés ne parviennent plus à rattraper leurs homologues natifs durant leur vie active. Cette baisse s’explique en grande partie par la baisse des niveaux de maîtrise des langues officielles et par un recul du rendement de l’expérience professionnelle acquise avant l’immigration. Le Canada a réagi en modifiant sa politique d’immigration au fil des ans, de manière à sélectionner les immigrants en fonction de leurs perspectives de gains. La mise en place du système d’Entrée Express en 2015 en est le plus récent exemple. Plusieurs programmes et initiatives en matière d’établissement ont également été créés pour faciliter l’intégration. Ce chapitre s’interroge sur les modifications qu’il serait encore possible d’apporter au système pour en renforcer les avantages.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.012 | 0.002 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.025 | 0.002 |
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".