Importance des motifs justifiant l’embauche de personnel à l’extérieur du Canada, selon l'industrie et la taille de l’entreprise
Bibliographic record
Abstract
Pourcentage d’entreprises pour lesquelles certains motifs justifiant l’embauche de personnel à l’extérieur du Canada n’étaient pas importants du tout ou étaient un peu importants, importants, très importants or sans objet, selon le code du Système de classification des industries de l’Amérique du Nord (SCIAN) et la taille de l’entreprise, sur une période d’observation d’un an. Les motifs justifiant l’embauche de personnel à l’extérieur du Canada peuvent comprendre les suivants : réduction des coûts de la main-d’œuvre, réduction des coûts autres que ceux de la main-d’œuvre, accès à de nouveaux marchés, amélioration de l’accès aux chaînes d’approvisionnement ou aux réseaux, augmentation des ventes, proximité de clients importants, accès aux connaissances ou aux technologies spécialisées, incitatifs fiscaux ou autres incitatifs financiers, amélioration de la logistique, manque de main-d’œuvre disponible au Canada et autres motifs justifiant l’embauche de personnel à l’extérieur du Canada. Les estimations se rapportent à l’exercice financier 2017 (la date de fin se situant entre le 1er janvier 2017 et le 31 décembre 2017).
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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".