Le surendettement parmi les ménages québécois
Bibliographic record
Abstract
Il est bien connu que les Québécois et Québécoises sont de plus en plus endettés. Mais quelle proportion d’entre eux et elles éprouvent des difficultés de remboursement et peuvent être considérés comme surendettés? Qui sont les groupes les plus touchés et pourquoi? Ce projet visait à éclairer ces questions en brossant un portrait statistique des difficultés de remboursement des dettes et en décrivant les causes perçues d’endettement ainsi que leur lien avec le surendettement. Nos résultats montrent qu’en 2022 au Québec 66% des adultes avaient des dettes. Parmi eux, 28% déclaraient avoir des difficultés à les rembourser (dont 2% qui s’en disaient incapables). Cette proportion a augmenté en 2023. Les difficultés de remboursement des dettes sont liées aux facteurs ayant mené à leur accumulation. Les difficultés sont très fréquentes parmi les personnes qui ont eu recours au crédit pour compenser un manque de ressources, ce qui est un cours d’action que les personnes concernées considèrent parfois aussi alimenté par un manque de connaissance des conséquences du crédit. Nos résultats montrent aussi que les jeunes, les personnes racisées, les parents seuls ou remis en couple et les personnes seules sont les catégories socio-démographiques les plus fortement touchées par les difficultés de remboursement des dettes. Cela s’explique par des revenus plus faibles au sein de ces groupes et leur plus forte probabilité d’avoir eu recours au crédit pour compenser des manques de ressources. Nos résultats appellent à valoriser et bonifier les mesures de soutien du revenu (assurance emploi, aide-sociale, allocations pour enfants, etc.), particulièrement pour les jeunes, les personnes racisées, les parents seuls ou remis en couple et les personnes seules, en tenant compte de leur situation et des défis particuliers qu’ils vivent respectivement.
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 | 0.006 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 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".