La rémunération des attributs linguistiques au Québec en 2020, son évolution depuis 1970 et le taux de rendement du bilinguisme des francophones en 2020
Bibliographic record
Abstract
Ce texte présente la rémunération sur le marché du travail des attributs linguistiques des hommes et des femmes du Québec pour 2020 et son évolution depuis 1970. On y utilise des résultats produits avec des microdonnées mises à disposition des chercheurs par Statistique Canada et tirées de neuf Recensement du Canada et d’une enquête. Le cadre analytique retenu est celui de la théorie du capital humain. On présente les écarts de revenu de travail moyen et on les analyse en calculant les effets nets des attributs linguistiques sur le revenu de travail. Ceux-ci correspondent à la rémunération des attributs linguistiques en soi et sont obtenus par l’analyse multivariée (MCO). Dans la dernière partie du texte, nous présentons une estimation du taux de rendement interne (TRI) de l’apprentissage de l’anglais par les francophones. Les principaux résultats pour 2020 sont les suivants : - Les individus ayant les revenus moyens de travail (Figure 1) les plus élevés sont les bilingues (allophones (Allo B), anglophones (Anglo B) ou francophones (Franco B) : un bilingue connait l’anglais et le français). Suivent les unilingues anglophones (Anglo U) et francophones (Fran U) puis les allophones non bilingues. - En 2020, les groupes dont les attributs linguistiques sont mieux rémunérés (effet net, spécification de base) que ceux des francophones unilingues sont les francophones bilingues et les femmes anglophones bilingues (figure 2). Examinons maintenant l’évolution à travers le temps des effets nets des attributs linguistiques pour trois groupes-francophones bilingues (FB), anglophones unilingues (AU) ou anglophones bilingues (AB). La principale constatation est la nette rupture entre 1970 et 1980-2020 dans la sur-rémunération des hommes anglophones, unilingues ou bilingues (Figure 3). Une telle sur-rémunération n’était pas présente pour les femmes anglophones en 1970 (Figure 4). La conclusion générale que l’on peut tirer de ceci est que nos résultats sur les effets nets des attributs linguistiques pour 2020 sont similaires à ceux observés depuis le début du XXIème siècle. Le bilinguisme est mieux rémunéré que l’unilinguisme chez les francophones et les allophones, alors que les anglophones se tirent aussi bien d’affaire que les unilingues francophones. Le TRI d’un investissement linguistique varie fortement selon le niveau des coûts utilisé dans son estimation.
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 | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 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".