Generational Divide: A New Model to Measure and Prevent Youth Social and Economic Discrimination
Notice bibliographique
Résumé
Measures concerning intergenerational inequality generally refer to youth unemployment or youth household income and wealth. The common conclusion is that the generational gap is represented by negative trend of youth unemployment and NEETS. In this paper, I argue that this phenomenon is not the cause of intergenerational unfairness, but one of its effects.The pioneering efforts to measure the intergenerational fairness through a set of multidimensional indicators are the starting point for deeper analysis. The purpose of this paper, however, is not only to measure unfairness, but to quantify the generational divide. The latter is defined as the intensity of material and immaterial barriers affecting a sound development of individuals.The way to measure such a phenomenon is to use a new and comprehensive, synthetic index, applied to the Italian youth emergency and social discrimination. For this reason some new indicators are added to the previous models, such as credit crunch, the scar inferred to NEET (Not in Education, Employment or Training), digital divide and barriers to mobility.The results of this pilot analysis in the selected country for the period 2004-2012 demonstrate a worsening of the generational divide over the last five years and these high negative trends are mainly due to housing costs, decreasing incomes and the pension burden. These results suggest the need for a deep and careful consideration on the real intergenerational sustainability of current European and development strategies and show a large discrimination towards the younger generations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».