Les déterminants cognitifs et non-cognitifs du choix de filière et leur impact sur la phase initiale du cycle professionnel
Bibliographic record
Abstract
Grâce à la collecte de données nous permettant de relier les trajectoires éducatives des individus à différentes mesures de compétences, nous étudions les déterminants des choix de filières au Québec et dans le reste du Canada et en particulier, le rôle des compétences cognitives et non-cognitives. Nous évaluons l’impact des études en Sciences, Technologie, Ingénierie, et Mathématiques (STIM) ainsi que l’effet des facteurs cognitifs et non-cognitifs sur un grand nombre de mesures de performance sur le marché du travail. Nos résultats indiquent que les performances individuelles dans le test EIACA (semblable au test PISA) n’ont pratiquement aucun pouvoir prédictif sur la probabilité de compléter un programme scientifique mais jouent un rôle déterminant sur les salaires à 30 ans. La fréquentation d’un programme STIM est principalement expliquée par la compétence académique en mathématiques mesurée par les notes obtenues à l'âge de 18 ans. Le second déterminant le plus important est de loin le facteur non-cognitif mesurant le degré de motivation pendant les études. Toutes choses égales par ailleurs (à compétences égales), les Ontariens ont une probabilité d’obtenir un diplôme STIM plus élevée que les Québécois.
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 | 0.007 | 0.031 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 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".