MétaCan
Menu
Retour à la cohorte
Enregistrement W2137713185 · doi:10.1525/sop.2007.50.2.177

Disparities in Free Time Inactivity in the United States: Trends and Explanations

2007· article· en· W2137713185 sur OpenAlexaff
Brent Berry

Notice bibliographique

RevueSociological Perspectives · 2007
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueUrban Transport and Accessibility
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésSocioeconomic statusRecreationDemographic economicsDisinvestmentIncentiveFree accessEconomicsDemographyPolitical scienceSociologyPopulation

Résumé

récupéré en direct d'OpenAlex

What accounts for trends in socioeconomic disparities in physical activity during free time? Results from four national time-use studies between 1965 and 1999 suggest that there are increasing socioeconomic disparities in passive but not active free-time activities. The author evaluates several explanations for these trends. First, the least educated adults had more free time in 1999 than in 1965, and they spend nearly all this extra free time in home settings where the most common passive activities occur (e.g., television viewing). Second, less educated adults had less income per minute of free time in 1999 than in 1965, a trend that combines with increasing supply and reduced price of important passive choices to create economic incentives for passive activity. Third, the difference between low and high educated adults in the mediation of children's viewing habits has increased, an indication of rising socioeconomic disparities in tastes and stigma for this passive activity choice. Finally, historical data suggest that these changes in the use of free time are not simply free market outcomes but also consequences of political decisions favoring television infrastructure, auto-dependent built environments, and disinvestment in public recreation.

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)0,004
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 enseignants0,050
Score d'incertitude au seuil0,100

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
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 Opus0,038
Tête enseignante GPT0,342
Écart entre enseignants0,304 · 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

Citations18
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSociological PerspectivesMême sujetUrban Transport and AccessibilityTravaux en français237 207