MétaCan
Menu
Retour à la cohorte
Enregistrement W2024828726 · doi:10.1177/0020715209339282

Remapping Inequality in Europe

2009· article· en· W2024828726 sur OpenAlexvenueno aff
Jason Beckfield

Notice bibliographique

RevueInternational Journal of Comparative Sociology · 2009
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueIncome, Poverty, and Inequality
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInequalityGlobalizationEconomic inequalityPolityIncome inequality metricsSocial inequalityVariance (accounting)EconomicsEmbeddednessEconomic geographyUnit rootDemographic economicsDevelopment economicsSociologyPolitical scienceEconometricsSocial sciencePolitics

Résumé

récupéré en direct d'OpenAlex

Research on the determinants of inequality has implicated globalization in the increased income inequality observed in many advanced capitalist countries since the 1970s. Meanwhile, a different form of international embeddedness — regional integration — has largely escaped attention. Regional integration, conceptualized as the construction of international economy and polity within negotiated regions, should matter for inequality. This article offers theoretical arguments that distinguish globalization from regional integration, connects regional integration to inequality through multiple theoretical mechanisms, develops hypotheses on the relationship between regional integration and inequality, and reports fresh empirical evidence on the net effect of regional integration on inequality in Western Europe. Three classes of models are used in the analysis: 1) time-series models where region-year is the unit of analysis, 2) panel models where country-year is the unit of analysis, and 3) analysis of variance to identify how the between- and within-country components of income inequality have changed over time. The evidence suggests that regional integration remaps inequality in Europe. Regionalization is associated with both a decrease in between-country inequality, and an increase in within-country inequality. The analysis of variance shows that the net effect is negative, and that within-country inequality now comprises a larger proportion of total income inequality.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,590
Score d'incertitude au seuil0,293

Scores Codex et Gemma par catégorie

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

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 Opus0,120
Tête enseignante GPT0,439
Écart entre enseignants0,319 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations58
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Comparative SociologyMême sujetIncome, Poverty, and InequalityTravaux en français237 207