MétaCan
Menu
Retour à la cohorte
Enregistrement W2002876726 · doi:10.1111/j.1468-2257.2007.00354.x

Voting with Their Feet: Jobs versus Amenities

2007· article· en· W2002876726 sur OpenAlexaffabout
Mark Ferguson, Kamar Ali, M. Rose Olfert, Mark D. Partridge

Notice bibliographique

RevueGrowth and Change · 2007
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueRegional Economics and Spatial Analysis
Établissements canadiensUniversity of SaskatchewanSaskatchewan Pork Development Board
Organismes subventionnairesnon disponible
Mots-clésAmenityGeographyPopulationDemographic economicsRural areaEconomies of agglomerationVariable (mathematics)SocioeconomicsEconomic geographyEconomicsDemographyEconomic growthPolitical scienceSociology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT The determinants of rural and urban community population change over the period 1991–2001 are investigated at a very fine level of disaggregation for Canada. The study examines the influence of local amenities, economic factors, and agglomeration economies on population growth for age cohorts starting from the very young to the elderly. Motivated by the objective of assessing the overall jobs versus people question in economic development, the emphasis is on estimating the relative contribution of groupings of variables in explaining the variations in population change rather than the contribution of individual variables. Results indicate that rural and urban populations are influenced to differing degrees by amenity, economic, and urban scale groupings of variables and that there are variations among age cohorts in both urban and rural areas. While economic variables are the most influential in population change for all rural cohorts, their contribution somewhat diminishes with age. In urban areas, amenity, and economic variable groupings have approximately equal importance across all cohorts. For the key young adult cohort, the economic grouping is clearly the most influential in rural areas, while it is a close second to amenities in urban areas.

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)0,000
score de la tête « metaresearch » (Gemma)0,002
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,617
Score d'incertitude au seuil0,770

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,067
Tête enseignante GPT0,203
Écart entre enseignants0,136 · 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

Citations164
Publié2007
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGrowth and ChangeMême sujetRegional Economics and Spatial AnalysisTravaux en français237 207