Investigation of Ethnic Diversity In Pakistan: A Case Study of Karachi
Notice bibliographique
Résumé
In developing countries increasing population and lack of good governance are the major issues and Pakistan is no exception. These issues are highlighted most in the context of urban centers. Karachi is the most populous city of Pakistan and currently ranked 6th among the mega cities of the world. After partition this city has grown up rapidly due to influx of both national and international immigrants. Urdu speaking persons are the largest ethnic group in Karachi and Pashtuns are second largest group who came to Karachi. It can’t be wrong to say that there are even more Pashtuns in Karachi than in Peshawar itself. Almost 50% of the total population is Urdu speaking whereas 25% of total population is Pashtun in Karachi, whereas, 14% are from Punjab and remaining 9% speaking other languages are settled here. Similarly there are areas in the city marked for Christians, Hindus, Parsis etc. Census Data for the years 1951, 1961, 1972, 1981 and 1998 are taken to analyze the variability of Religion, Population and Language (language data is not available for 1972 census). Spatial development of Slums / Katchi-Abadi 1988 and projection for 2000 has also been discussed. The change in population for the years 1981 and 1988 has been mapped using GIS. MP & ECD Analysis Zones have been used and according to the findings during the years 1986-2000 population increase percent is higher in Surjani Town and Taisar Town. It is also concluded that 96% population living in the city are Muslims and speak more than 9 different languages.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| 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 ».