Rethinking US Census racial and ethnic categories for the 21st century
Notice bibliographique
Résumé
Racial and ethnic categories in the US census have continually changed. In this paper, we address the question: How do high levels of immigration and a growing multiracial population challenge census racial and ethnic categories? We examined data from the 2000 Census 5 percent IPUMS to compare racial responses of native- and foreign-born Hispanics, Asians, and Middle Easterners, and native-born multiracial Hispanics, Asians, and Middle Easterners, by ancestry. The relationship between race and ancestry can be instructive. If people understand and identify with census racial categories, we expect considerable overlap between their reported race and ancestry. For some groups, including Europeans, Africans, and Middle Easterners (regardless of nativity) and foreign-born Asians, ancestry and race overlapped well. A serious challenge to current census racial categories is the large and growing numbers of people who reported Some Other Race (SOR) alone (primarily non-Cuban Hispanics) or in combination with another race (a diverse population that includes multiracial Hispanics, Middle Easterners, and Asians). One way of addressing this problem is to merge the current race and Hispanic questions, drop the SOR category, and add the ancestry question to the short-form census, changes that may more effectively meet statistical, government, and other needs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,044 | 0,119 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,014 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».