MétaCan
Menu
Retour à la cohorte
Enregistrement W2480288454 · doi:10.1017/cbo9781139164443.002

Measuring change in the long run: the data

2001· book-chapter· en· W2480288454 sur OpenAlexaff
Jon Cohen, Giovanni Federico

Notice bibliographique

RevueCambridge University Press eBooks · 2001
Typebook-chapter
Langueen
DomaineSocial Sciences
ThématiqueResearch in Social Sciences
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésComputer science

Résumé

récupéré en direct d'OpenAlex

2.1 After a brief burst of research on the economic causes of the Risorgimento (the political process of unification) in the 1950s and early 1960s, in large part stimulated by the centenary of Italian unification in 1961, historians lost interest in the economic history of pre-unification Italy. Thus, recent reviews of the literature by Pescosolido (1998) and Crepas (1999) have almost nothing new to say about the period 1815–1860. This is most unfortunate because, in spite of tantalizing suggestions by Cafagna (1989) and Bonelli (1979) – see chapter 3 – that modern economic growth in Italy probably predated unification, these and other issues have received very little attention. There are, moreover, underutilized sources of information on the period. In short, then, the pre-unification period is still awaiting the renaissance in economic history research experienced by other periods. The payoff to such renewed attention could be substantial. Foreign trade statistics are the most reliable and by far the largest set of data we have on the real economy before 1861 (Federico 1991). We could, in principle, use these data to construct a ‘national’ trade series and, through them, gain insights into the real economy. In practice, it is a challenge. Differences in collection criteria, presentation, the efficiency of the statistical agencies, and the amount of smuggling between the pre-unification Italian states, make the construction of an aggregate series, at best, difficult. Only one state, Piedmont, has year-by-year trade data for the entire period 1815–61.

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)0,003
score de la tête « metaresearch » (Gemma)0,022
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 enseignants0,012
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,022
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0040,012
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0120,006

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 Opus0,307
Tête enseignante GPT0,334
Écart entre enseignants0,027 · 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

Citations0
Publié2001
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCambridge University Press eBooksMême sujetResearch in Social SciencesTravaux en français237 207