Bibliographic record
Abstract
Le point sur le revenu des Québécois au sortir d’une des grandes récessions de l’histoire, les économies industrialisées voient les revenus moyens des particuliers croître timidement. dans plusieurs pays, les inégalités de revenus se sont par ailleurs creusées au cours des dernières décennies. Qu’en est-il au Québec ? Dix ans après l’adoption d’une loi pour lutter contre la pauvreté, où en sommes-nous? Pour sa quatrième édition, Le Québec économique fait le point sur la répartition du revenu, dans un contexte mondial qui demeure fragile. Grâce aux contributions de plusieurs collaborateurs, l’ouvrage présente un portrait de l’évolution des revenus au Québec, tant au cours des dernières décennies que de manière prospective. il analyse les tendances en matière de revenu et se penche sur sa répartition, se demandant notamment comment cette dernière est affectée par les impôts et les transferts et, de manière générale, par les politiques publiques. Les auteurs abordent également la question des travailleurs à faible revenu, et font le point sur les inégalités économiques entre différents groupes de la population : hommes et femmes, immigrants et non-immigrants, jeunes et moins jeunes. Comme dans chaque volume du Québec économique, le lecteur trouvera à la fin de cet ouvrage 50 fiches thématiques qui regroupent les indicateurs les plus pertinents et fournissent des données permettant de saisir l’état et de comprendre les tendances de l’économie québécoise.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.006 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.121 | 0.015 |
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".