Sommaire : Étude d’évaluation exploratoire de certains programmes du marché du travail selon une approche d’analyse comparative entre les sexes plus

Formats substituts

Les formats en gros caractères, braille, MP3 (audio), texte électronique, et DAISY sont disponibles sur demande en commandant en ligne ou en composant le 1 800 O-Canada (1-800-622-6232). Si vous utilisez un téléscripteur (ATS), composez le 1-800-926-9105.

Contexte

La présente étude a exploré l’utilisation d’une nouvelle approche d’apprentissage automatique pour effectuer des évaluations d’impact. Elle appuie le programme d’analyse comparative entre les sexes plus (ACS Plus) du Ministère.

L’étude a porté sur les interventions menées dans le cadre des Ententes sur le développement du marché du travail (EDMT) et du Fonds d’intégration pour les personnes handicapées (FIPH).

Principales constatations

Les résultats suggèrent que l’apprentissage automatique peut être efficace pour mener des évaluations d’impact. Dans l’ensemble, les résultats montrent qu’en moyenne, les participants aux EDMT et au FIPH ont vu leur participation au marché du travail s’améliorer comparativement à des non-participants semblables. Ces résultats sont conformes aux constatations des évaluations précédentes et présentent les avantages supplémentaires suivants.

L’apprentissage automatique permet non seulement d’estimer l’impact moyen, mais également la distribution des impacts entre les participants au-delà de la moyenne. Par exemple, les résultats indiquent que :

  • 94 % des participants au programme de développement des compétences des EDMT ont connu une augmentation positive de l’incidence de l’emploi par rapport à des non-participants semblables.
  • 89 % des participants au programme de développement des compétences ou aux subventions salariales ciblées dans le cadre du FIPH ont connu une augmentation de leur incidence d’emploi par rapport à des non-participants semblables.

L’apprentissage automatique permet d’effectuer des évaluations d’impact qui tiennent compte de plus d’un facteur identitaire à la fois (par exemple, les femmes qui sont de nouvelles immigrantes). Cela aide à déterminer quel sous-groupe de participants bénéficierait le plus d’une intervention particulière. Par exemple, alors que tous les sous-groupes de genreFootnote 1 ont amélioré leur participation au marché du travail :

  • les nouveaux immigrants de sexe masculin ont enregistré la plus forte augmentation de leurs revenus d’emploi grâce aux subventions salariales ciblées des EDMT, soit une augmentation de 2 577 $ comparativement à l’augmentation moyenne de 937 $.
  • Les participantes âgées de plus de 54 ans ont enregistré la plus forte amélioration des gains d’emploi grâce au FIPH, soit une augmentation de 3 647 $ comparativement à l’augmentation moyenne de 2 361 $.

Leçons apprises

L’étude a montré que lorsqu’il s’agit de fournir des résultats à un niveau détaillé, l’apprentissage automatique peut être plus efficace que les méthodes traditionnelles d’estimation des impacts.

Bien qu’elle soit prometteuse, les constatations montrent que cette méthode nécessite de grands ensembles de données de qualité sur les participants.

Aux fins de l’évaluation, l’évaluation des impacts bénéficierait de méthodes de recherche qualitative complémentaires afin de mieux contextualiser ses résultats.

À l’avenir, les évaluations futures pourraient tirer parti de cette approche d’apprentissage automatique lorsque cela est possible, ainsi que des sources de données qualitatives. Cela permettrait de comprendre de façon plus nuancée quelles interventions fonctionnent le mieux pour qui.

Observation

L’étude souligne l’importance des efforts déployés par EDSC pour recueillir des données sur les participants en vue de permettre une plus grande intégration des données et de mieux éclairer l’analyse et l’évaluation des politiques du point de vue de l’ACS Plus.

Détails de la page

Date de modification :