The Economic Geography of Human Capital in Twentieth-Century Latin America
Notice bibliographique
Résumé
In this paper we present results for educational achievement in the different economic regions of Latin America (Big countries: Mexico and Brazil; Southern Cone; Andean countries; Central America; and others) during the twentieth century. The variables we use to measure education are average years of education, literacy, average years in primary school, average years in secondary school, and average years in university. To attain a broader perspective on the relationship of education with human capital and with welfare and wellbeing we relate the educational measures to life expectancy and other human capital variables and GDP per capita. We then use regressions to examine the impact of race and ethnicity on education, and of education on economic growth and levels of GDP per capita.The most significant results we wish to emphasize are related to the importance of race and racial fractionalization in explaining regional differences in educational achievement. Southern Cone countries, with a higher density of white population, present the highest levels of education in average terms, while countries from Central America and Brazil, with a higher proportion of Indigenous Americans and/or blacks, have the lowest levels. In most countries the major improvements in educational achievement are: the expansion of primary education during the first half of the twentieth century, and the expansion of secondary education after 1950. In all cases, average years in university are low, despite improvements in university quality during the last decades of the century when professors exiled during dictatorships returned to their countries of origin. International comparisons (continental averages for years of education weighted by country population size) place twentieth-century Latin America in an intermediate position between the USA and Europe at the top, and countries from Asia and Africa at the bottom.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».