MétaCan
Menu
Retour à la cohorte
Enregistrement W1591948286 · doi:10.3386/w14746

Technological Changes and Employment of Older Manufacturing Workers in Early Twentieth Century America

2009· report· en· W1591948286 sur OpenAlexaff
Chulhee Lee

Notice bibliographique

RevueNational Bureau of Economic Research · 2009
Typereport
Langueen
DomaineSocial Sciences
ThématiqueRetirement, Disability, and Employment
Établissements canadiensInstitute of Aging
Organismes subventionnairesNational Institutes of Health
Mots-clésTechnological changeLabour economicsDemographic economicsBusinessEconomics

Résumé

récupéré en direct d'OpenAlex

This study explores how technological, organizational, and managerial changes affected the labor-market status of older male manufacturing workers in early twentieth century America. Industrial characteristics that were favorably related to the labor-market status of older industrial workers include: higher labor productivity, less capital-and material-intensive production, a shorter workday, lower intensity of work, greater job flexibility, and more formalized employment relationship. Technical innovations that improved productivity often negatively affected the quality of the work environment of older workers. These results suggest that the technological transformations in the Industrial Era brought mixed consequences to the labor-market status of older workers. On one hand, technical and organizational modifications improved the elderly workers' employment prospect by raising labor productivity, diminishing hours of work, and formalizing employment relations. On the other hand, some types of technical innovations, which are characterized by additional requirements for physical strength, mental agility, and ability to acquire new skills, forced older workers out of their jobs. Since the pace and nature of technical change considerably differed across industries, and possibly across firms within the same industry, the labor-market experiences of individual older workers should have been highly heterogeneous.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,374
Score d'incertitude au seuil0,985

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,447
Tête enseignante GPT0,538
Écart entre enseignants0,092 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetRetirement, Disability, and EmploymentTravaux en français237 207