Enquête canadienne sur le revenu, 2021
Bibliographic record
Abstract
Les données sur le revenu sont grandement utilisées par les chercheurs pour mieux comprendre le bien-être économique des Canadiens. Afin de répondre aux besoins de ces utilisateurs, Statistique Canada a produit de nombreux fichiers de microdonnées à grande diffusion (FMGD). Les FMGD de l’Enquête sur les finances des consommateurs (EFC) ont été produits jusqu’à l’année de référence 1997. Par la suite, les FMGD de l’Enquête sur la dynamique du travail et du revenu (EDTR) ont été produits pour les années de référence 1996 à 2011. L'Enquête canadienne sur le revenu (ECR) a été mise en place à partir de l’année de référence 2012. L’ECR est une enquête transversale ayant pour but de dresser un portrait du revenu et des sources de revenu des Canadiens, selon leurs caractéristiques personnelles et celles de leur ménage. Il s'agit d'un court questionnaire administré à un sous-échantillon de répondants à l'Enquête sur la population active (EPA). Dans le cadre de l'enquête, on recueille de l'information sur l'activité sur le marché du travail, la fréquentation scolaire, les paiements de pension alimentaire, les frais de garde d'enfants, les transferts entre ménages, le revenu personnel, la sécurité alimentaire et les caractéristiques et les coûts du logement. À ce contenu s'ajoutent des renseignements tirés de l'EPA sur les caractéristiques personnelles et familiales (p. ex., âge, niveau de scolarité, type de famille). Des données fiscales sur le revenu et les sources de revenu sont également combinées aux données d'enquête (Statistique Canada, 2022). Le FMGD de l’ECR est un fichier de microdonnées anonyme contenant seulement un sous-ensemble des variables comprises dans le fichier maître de l’ECR. Différentes techniques ont été utilisées afin de s’assurer que les répondants à l’ECR ne puissent être identifiés.
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 | 0.012 | 0.021 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.032 | 0.006 |
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".