Enquête nationale sur les voyages, 2020: Fichier de personne [Canada]
Bibliographic record
Abstract
L'Enquête nationale sur les voyages (ENV) a été élaborée pour remplacer entièrement l'Enquête sur les voyages des résidents du Canada (EVRC numéro d'enregistrement 3810) et pour remplacer la composante des résidents canadiens de l'Enquête sur les voyages internationaux (EVI numéro d'enregistrement 3152). L'Enquête nationale sur les voyages recueille des renseignements concernant les voyages intérieurs et internationaux des résidents du Canada. L'Enquête nationale sur les voyages fournit des statistiques sur les activités des résidents du Canada en ce qui a trait au tourisme intérieur et international. Elle a été élaborée pour mesurer le volume des activités, les caractéristiques et les répercussions économiques du tourisme. Pour le Système de la comptabilité nationale, l'enquête mesure l'ampleur des voyages intérieurs au Canada, du point de vue de la demande. Chaque mois, trois fichiers maîtres (ou ensembles) de données sont créés : un fichier personne, un fichier voyage et un fichier visite. Lorsque le FMGD est créé, les fichiers personnes, les fichiers voyages et les fichiers visites sont agglomérés ensemble pour créer des fichiers annuels pour chacuns. L'ensemble de données (ou fichier) des personnes renferme les données sur les voyageurs et les non-voyageurs, les premiers étant les personnes de 18 ans et plus qui ont fait au moins un voyage s'étant terminé au cours du mois de référence, les seconds, celles qui n'ont pas fait de voyage s'étant terminé au cours du mois de référence. À chaque répondant à l'ENV correspond un enregistrement dans le fichier des personnes, que le répondant ait effectué ou non un voyage au cours du mois de référence ou de l'année de référence. Le fichier de microdonnées des personnes contient des renseignements sociodémographiques de base touchant les voyageurs comme les non-voyageurs. Il permet d'établir des profils sociodémographiques simples et de calculer la fréquence des voyages. Il permet, par exemple, de comparer l'âge, le sexe ou le niveau de scolarité des voyageurs et des non-voyageurs, ou encore de déterminer le pourcentage de la population âgée de 55 ans et plus qui a voyagé. Le fichier de microdonnées des personnes ne fournit pas de renseignements sur le nombre de voyages ou de voyages-personnes; il fournit plutôt des données sur le nombre de voyageurs et de non-voyageurs. Si une personne a fait plus d'un voyage au cours de la période de référence, elle ne sera considérée qu'une seule fois à titre de voyageur.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.006 | 0.001 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.021 | 0.003 |
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".