Intégration des diplômés internationaux universitaires sur le marché de travail au Canada
Bibliographic record
Abstract
Les étudiants postsecondaires s’attendent à obtenir un bon retour sur leur investissement après les études (Boudarbat et Montmarquette, 2009). Il en est de même pour les étudiants internationaux. Cependant, pour avoir accès à ce revenu potentiel plus élevé, il faut que l’intégration au marché du travail soit réussie par ces derniers. Le système actuel favorise l’immigration des individus au niveau éducatif élevé. Cependant, il n’assure pas l’intégration réussie dans le pays d’accueil, tant au niveau culturel, social ou économique (Kaushik et Drolet, 2018). La pénurie de main-d’œuvre et le vieillissement de la population au Canada accentuent les besoins de travailleurs internationaux venant s’établir ici. Grâce à notre système d’éducation, il est possible d’attirer et de retenir ces étudiants internationaux. Même si une éducation dans le pays d’accueil permet d’améliorer l’intégration, les immigrants font face à des défis plus importants que les nationaux lors de l’entrée sur le marché du travail (Heilbrunn et al, 2010). Donc, il devient crucial de cerner les facteurs qui permettent à ces internationaux d’obtenir un emploi après leurs études. Ainsi, la question qui demeure est : quels sont les facteurs qui influencent la durée avant d’obtenir le premier emploi auprès des diplômés universitaires internationaux au Canada? À cet effet, nous avons utilisé l’Enquête nationale auprès des diplômés de 2018. Cette enquête est produite par Statistique Canada et vise la cohorte de diplômés de 2015 au Canada. Nous utilisons ainsi plusieurs modèles probit et logit afin d’identifier les facteurs d’influence afin de répondre à notre objectif d’étude. Les résultats montrent l’importance du niveau d’études, du domaine, ainsi que du statut de l’étudiant, soit international ou national, parmi les facteurs qui influencent la durée avant l’obtention du premier emploi à la suite de la diplomation.
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 | 0.003 | 0.004 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.000 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 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".