Impacts de la crise du logement sur le recrutement et la rétention de la main-d’œuvre en Abitibi-Témiscamingue et stratégies pour y répondre et y remédier
Bibliographic record
Abstract
Cet article utilise une méthode mixte basée sur une analyse descriptive pour approfondir la connaissance de l’Abitibi-Témiscamingue et sur une consultation évaluative pour identifier les impacts de la crise du logement sur les entreprises de cette région administrative québécoise. Les portraits des MRC ont été réalisés à partir de données secondaires provenant de diverses sources pour caractériser les territoires, leur population, l’emploi, la main-d’œuvre et le logement. Un questionnaire soumis à un échantillon d’entreprises a permis de compléter les portraits en ce qui a trait aux impacts de la crise du logement sur les activités, sur le fonctionnement et sur le développement des entreprises participantes, puis de documenter les stratégies déployées et proposées aux élus pour en limiter les effets et pour consolider le recrutement et la rétention des employés. À partir d’une revue de littérature, des modèles inspirants de gestion, de conception et de développement de logements sociaux et abordables ont été identifiés ailleurs au Canada et dans le reste du monde pour pallier la crise du logement en Abitibi-Témiscamingue.
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 | 0.011 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| 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".