Équité salariale entre les sexes au Canada de 1971 à 2016 : note empirique
Bibliographic record
Abstract
Cet article se penche sur le thème de l’équité salariale entre les sexes au Canada. Dans une première étape, en recourant aux microdonnées à grande diffusion issues du recensement de 2016, il compare le salaire des hommes et des femmes de manière globale puis en faisant intervenir les variables intermédiaires que sont l’âge, le secteur d’industrie, l’instruction et le statut selon que le travail est à temps plein ou à temps partiel. Il découvre alors une inégalité du salaire selon le sexe quoique, paradoxalement, une faible variance expliquée du salaire par le sexe. Dans une deuxième étape, il présente cette comparaison à la lumière de celles qui ont été faites depuis 1971, toujours à partir des microdonnées des recensements. Il observe alors une tendance générale à la réduction de l’écart entre les sexes pour ce qui est du salaire, mais aussi à la réduction de la variance expliquée du salaire par le sexe ; il observe aussi une certaine stagnation de la réduction de l’écart entre les sexes de 2011 à 2016. Dans un troisième temps, il examine la différence de salaire selon le sexe, mais en fonction de tranches de salaires. Il relève alors de nette variations de cette différence selon la tranche de salaire qui est prise en compte. Dans un quatrième temps, il présente quelques considérations législatives.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".