MétaCan
Menu
Retour à la cohorte
Enregistrement W1988199510 · doi:10.1093/jeg/lbn023

Inside the black box of regional development--human capital, the creative class and tolerance

2008· article· en· W1988199510 sur OpenAlexaff
Richard Florida, Charlotta Mellander, Kevin Stolarick

Notice bibliographique

RevueJournal of Economic Geography · 2008
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCultural Industries and Urban Development
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésHuman capitalEconomicsCreative classDistribution (mathematics)Labour economicsIncome distributionMeans of productionProductivityPhysical capitalConsumption (sociology)Capital (architecture)Financial capitalEconomic growthSociologyInequalityPolitical scienceCreativityGeographySocial science

Résumé

récupéré en direct d'OpenAlex

While there is a general consensus on the importance of human capital to regional development, debate has emerged around two key issues. The first involves the efficacy of educational versus occupational measures (i.e. the creative class) of human capital, while the second revolves around the factors that affect its distribution. We use structural equation models and path analysis to examine the relations from these two alternative measures of human capital and regional income and wages, and also to isolate the relations of tolerance, consumer service amenities and the university on its distribution. We find that human capital and the creative class affect regional development through different channels. The creative class outperforms conventional educational attainment measures in accounting for regional labor productivity measured as wages, while conventional human capital does better in accounting for regional income. We find that tolerance is significantly associated with both human capital and the creative class as well as with wages and income. We also find that the cultural economy has both direct and indirect relationships to regional development and impacts both production and consumption.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,005
Communication savante0,0030,003
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,267
Écart entre enseignants0,221 · 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 source (Gemma direct ou Codex distillé), 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

Citations886
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Economic GeographyMême sujetCultural Industries and Urban DevelopmentTravaux en français237 207