Notice bibliographique
Résumé
Employment in the U.S. textile and apparel industries has been declining for more than a quarter of a century. Employment reached its peak in 1973, and since then it has declined by 57 percent in textiles and 63 percent in apparel through March 2002. Total employment also decreased in the steel and automobile industries and in the broader manufacturing sector over the same period. These employment figures from particular industries and a single sector of the U.S. economy might leave the mistaken impression that the entire U.S. economy has been shrinking. On the contrary, this extended period was one of extraordinary prosperity in which total employment in the country grew by 71 percent, worker productivity (including textiles, steel, and autos) grew by 57 percent, and income per capita grew by 72 percent. Declining employment in certain traditional industries did not prevent increasing affluence for the average American. These contradictory employment experiences for textiles, steel, and autos and for the general economy represent the forces of what Joseph Schumpeter (1934) called “creative destruction. ” Innovations that stimulate general economic growth simultaneously destroy specific jobs as emerging technologies replace older technologies. Creative destruction has gotten more attention recently because it is a major component of globalization, and many prominent job losses have been attributed to import competition. During this period 1.5 million jobs were destroyed in textiles and apparel, but total employment in the economy grew. For each textile job eliminated, 36 more jobs were created in other industries. Employment in the U.S. steel industry declined by 361,000 during the period, but more jobs were created elsewhere. The new jobs created did not all require the same skills or have the same location as the old
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 tête enseignante, 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 ».