Education and migration in a border city
Notice bibliographique
Résumé
Abstract Major demographic processes (fertility, mortality and migration) are both causes and consequences of future and previous processes. Demographers in border locations have special methodological challenges and usually face more rapidly changing dynamics than other locations. Migration is a process most difficult to both measure and understand; unlike birth and death, it does not happen to everyone, but is selective. Age, education, health, wealth, occupation, gender and family composition all contribute to making a person more or less likely to move from one place to another or remain where they are, as are a host of other factors. This study attempts to sort out some of these factors, using primarily Census data from 1990 and 2000. We began with the local concern that El Paso's persistently low indices of education and income result from an outflow of the more educated segments of the community. However, our findings suggest that the relationship between migration and education is not linear. Moreover, other variables such a language, birthplace, gender and ethnicity appear to be as or more important in predicting whether a person will stay or leave than educational attainment. The characteristics of new arrivals also affect the composition of a population at the aggregate level. As the population of Hispanics disperse throughout the country, a process rapidly underway as evidenced by the 2000 Census, our findings may have implications for many other communities. A more complete understanding of the causes and consequences of migration will require a combination of both qualitative and quantitative analysis.
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 | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».