Les défis du nouvel accord de commerce entre le Canada, les États-Unis et le Mexique (ACEUM) face à la mobilité de la main-d'œuvre professionnelle
Bibliographic record
Abstract
Le nouvel accord de libre-échange entre le Canada, les États-Unis et le Mexique (l’ACEUM) est entré en vigueur le 1er juillet 2020, introduisant l’annexe 15 C contenant neuf dispositions sur le commerce des services professionnels et un nouvel appendice sur la reconnaissance des qualifications professionnelles. Cet appendice fournit des lignes directrices pour la création de futurs accords ou arrangements de reconnaissance mutuelle (ARM) dans le secteur des services professionnels. Ces normes soulèvent de nombreuses questions, notamment celle de savoir si l’accord sera suffisant pour assurer la mise en œuvre efficace de futurs ARM-ACEUM, contrairement aux deux expériences passées d’ARM dans le cadre de l’ALENA. L’objet de ce mémoire est de proposer des lignes directrices prévoyant les éléments indispensables qui doivent être pris en compte par les futurs négociateurs des ARM-ACEUM afin d’en assurer la mise en œuvre efficace. De plus, notre objectif est d’établir les bases sur lesquelles doit être bâti un véritable système juridique de reconnaissance des qualifications professionnelles dans l’espace américain. Ce mémoire part de l’idée centrale qu’il existe une interrelation indispensable entre les accords de commerce, les accords qui règlementent le commerce des services professionnels, la mobilité de la main-d’œuvre professionnelle et, bien entendu, la reconnaissance mutuelle des qualifications professionnelles. À titre d’inspiration pour les lignes directrices, nous nous basons notamment sur l’analyse des expériences des ARM sous l’ancien ALENA, sur l’étude des principales normes du cadre juridique de la reconnaissance sur le continent européen et, plus spécifiquement, sur l’étude du contenu et des expériences de mise en œuvre des ARM France-Québec. Cette recension est essentielle à une compréhension globale des principes de la reconnaissance des qualifications et des conditions nécessaires aux établissements des ARM, ainsi que de leurs principaux obstacles, avantages et défis. En d’autres mots, ces recherches nous permettront d’élaborer le scénario nécessaire afin d’aboutir à une structure adéquate dans la future négociation d’ARM ACEUM. Nous concluons à l’insuffisance des nouvelles dispositions sur le commerce des services professionnels, bien qu’il soit important de reconnaître leur apport significatif par rapport à l’ancien ALENA et le fait qu’elles constituent un point de départ fondamental pour la création d’ARM-ACEUM plus solides. Nous constatons également que la mise en place d’ARM doit nécessairement être accompagnée d’un changement de mentalité sur la viabilité de l’intégration d’un système de reconnaissance entre les trois pays ayant des contextes différents. Par ailleurs, il faudra concevoir les ARM non seulement comme des instruments destinés à établir les conditions de reconnaissance des qualifications, mais également comme des outils essentiels à la construction d’un système global de reconnaissance favorisant la mobilité et l’intégration des professionnels sur le marché du travail.
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 | 0.005 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.013 | 0.010 |
| Scholarly communication | 0.013 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.007 | 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".