MétaCan
Menu
Retour à la cohorte
Enregistrement W2326424827 · doi:10.3386/w22108

Refugees From Dust and Shrinking Land: Tracking the Dust Bowl Migrants

2016· report· en· W2326424827 sur OpenAlexaff
Jason Long, Henry Siu

Notice bibliographique

RevueNational Bureau of Economic Research · 2016
Typereport
Langueen
DomaineSocial Sciences
ThématiqueUrbanization and City Planning
Établissements canadiensSocial Sciences and Humanities Research CouncilUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésGeographyDemographic economicsCensusImmigrationDemographyPopulationEconomicsSociology

Résumé

récupéré en direct d'OpenAlex

We construct longitudinal data from the U.S. Census records to study migration patterns of those affected by the Dust Bowl of the 1930s. Our focus is on the famous "Okie" migration of the Southern Great Plains. We find that migration rates were much higher in the Dust Bowl than elsewhere in the U.S. This difference is due to the fact that individuals who were typically unlikely to move (e.g., those with young children, those living in their birth state) were equally likely to move in the Dust Bowl. While this result of elevated mobility conforms to long-standing perceptions of the Dust Bowl, our other principal findings contradict conventional wisdom. First, relative to other occupations, farmers in the Dust Bowl were the least likely to move; this relationship between mobility and occupation was unique to that region. Second, out-migration rates from the Dust Bowl region were only slightly higher than they were in the 1920s. Hence, the depopulation of the Dust Bowl was due largely to a sharp drop in migration inflows. Dust Bowl migrants were no more likely to move to California than migrants from other parts of the U.S., or those from the same region ten years prior. In this sense, the westward push from the Dust Bowl to California was unexceptional. Finally, migration from the Dust Bowl was not associated with long-lasting negative labor market effects, and for farmers, the effects were positive.

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)0,007
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,933
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,368
Tête enseignante GPT0,525
Écart entre enseignants0,157 · 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.

Devis d'étudeSans objet
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

Citations28
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetUrbanization and City PlanningTravaux en français237 207