MétaCan
Menu
Retour à la cohorte
Enregistrement W2020408946 · doi:10.1093/afraf/adq079

Users and producers of African income: Measuring the progress of African economies

2011· article· en· W2020408946 sur OpenAlexaff
Morten Jerven

Notice bibliographique

RevueAfrican Affairs · 2011
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueIncome, Poverty, and Inequality
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésPoliticsSpace (punctuation)Measure (data warehouse)Economic statisticsEconomicsPolitical sciencePublic economicsEconomyPolitical economyEconometricsComputer science

Résumé

récupéré en direct d'OpenAlex

This article traces how African incomes have been measured through history, and shows that there has been a conflict of aims between producers and users of national income estimates. Politicians and international organizations seek income measures that reflect current political and economic priorities and achievements. Thus the importance given to markets, the state, and peasants in the estimates varies through time and space. Meanwhile statisticians aim to produce a measure that gives the best possible reflection of the economy given the available data and definitions at any time. Scholars prefer a measure that is consistent through time and space so that ‘progress’ can be measured, compared, and analysed, while not being able to reach consensus on how ‘progress’ is best calculated or defined. The result is not an objective measure of progress, but rather an expression of development priorities determined by changes in the political economy. The article provides a much-needed study of the ability of the statistical offices to provide income statistics independently and regularly. These data are of crucial importance as they enter the public domain in policy evaluations, political debates, and progress towards lofty aims such as the Millennium Development Goals.

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)0,020
score de la tête « metaresearch » (Gemma)0,066
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 enseignants0,020
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0200,066
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0080,011
Études des sciences et des technologies0,0020,004
Communication savante0,0070,014
Science ouverte0,0010,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,266
Écart entre enseignants0,222 · 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

Citations34
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAfrican AffairsMême sujetIncome, Poverty, and InequalityTravaux en français237 207