EMPLOYMENT OUTCOMES OF CAREGIVING ACROSS THE COUNTRIES: A REVIEW AND ANALYSIS
Notice bibliographique
Résumé
There is general consensus that informal caregiving results in negative outcomes on caregivers’ employment. While a rich body of research has investigated the differences in the outcomes in terms of gender, race, and income, there is scant research that explain differences at a macro level such as structural arrangements that may enhance or mitigate these outcomes. This study asks whether cross-national variation in patterns of employment outcomes of informal caregiving can be explained by national demographic and socioeconomic differences between individuals, or whether structural and cultural factors are more important. Studies were limited to original quantitative research, written in English and published from January 2000 through December 2015. The countries examined included Australia, Canada, China, Denmark, Germany, Italy, Japan, Netherlands, Norway, Korea, Spain, Sweden, UK, and US. Results are summarized with respect to different care regimes such as family-based care model vs. de-familialised, and with respect to different regions such as European, North American, and Asian countries. Macro-level factors were significant in attenuating the effects of caregiving on employment-related outcomes. Findings suggest clustering eldercare models helps to focus on some important aspects and identify similarities and differences among countries in terms of the outcomes of informal caregiving. Cultural and institutional differences might explain the differences among countries. Different systems of eldercare have been shaped over time by a complex array of historical, cultural, social and economic factors. Many of these factors are not directly part of care systems but nonetheless have important implications for different caring regimes.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».