La surqualification au Québec et au Canada
Bibliographic record
Abstract
La surqualification, définie comme la situation qui caractérise un individu dont le niveau de formation dépasse celui qui est normalement requis pour l’emploi occupé, a subi une forte tendance à la hausse au cours des vingt dernières années. Au Québec et au Canada, elle touche un tiers des travailleurs, surtout les plus jeunes. Ce phénomène, qui témoigne de l’incapacité du marché du travail à offrir à un grand nombre de personnes des emplois qui correspondent à leurs qualifications, est devenu pour tous les acteurs de la vie économique et sociale un enjeu de premier ordre. \n \nCe livre présente un ensemble d’études récentes sur la surqualification. Son objectif est de mesurer l’étendue du phénomène du point de vue statistique et de mettre en relief les facteurs qui interviennent dans sa genèse et son développement. L’ouvrage évalue plusieurs approches et modèles analytiques et présente des résultats de recherches qui utilisent diverses bases de données. Il offre un portrait détaillé de la surqualification au Québec et au Canada. De manière plus fondamentale, il soulève la question de la valeur des diplômes sur le marché du travail et suggère des pistes de réflexion pour atteindre l’adéquation entre la formation de la main-d’œuvre et le profil des emplois.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.010 | 0.003 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.019 | 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".