Enquête canadienne sur le revenu, 2017 [Canada]
Bibliographic record
Abstract
Le principal objectif de l'Enquête canadienne sur le revenu (ECR) est de fournir des renseignements sur le revenu et les sources de revenu des Canadiens, de même que sur leurs caractéristiques personnelles et celles de leur ménage. Les données recueillies dans le cadre de l'ECR sont jumelées avec les données de l'Enquête sur la population active (EPA, numéro d'enregistrement 3701) ainsi qu'avec des données fiscales. Dans le cadre de l'enquête, on recueille de l'information sur l'activité sur le marché du travail, la fréquentation scolaire, l'incapacité, les paiements de pension alimentaire, les frais de garde d'enfants, les transferts entre ménages, le revenu personnel 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, caractéristiques de l'emploi principal, type de famille) et certains détails géographiques (p. ex., province, régions métropolitaines de recensement (RMR)). Des données fiscales sur le revenu et les sources de revenu sont également combinées aux données d'enquête. Les résultats de l'ECR sont mis à la disposition non seulement de divers ordres de gouvernement, mais aussi de particuliers et d'organisations. Tous les ordres de gouvernement peuvent utiliser les données de l'ECR pour élaborer des politiques et des programmes afférents au bien-être économique des Canadiens. Des organismes statistiques, notamment l'Organisation de coopération et de développement économiques (OCDE) utilisent les résultats pour réaliser des études de référence et de comparaison internationales.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.010 | 0.001 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.063 | 0.007 |
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".