MétaCan
Menu
Retour à la cohorte
Enregistrement W2952787361 · doi:10.1111/1475-4932.12481

Do English Skills Affect Muslim Immigrants’ Economic and Social Integration Differentially?

2019· article· en· W2952787361 sur OpenAlexaff
Cahit Guven, Mevlude Akbulut‐Yuksel, Mutlu Yuksel

Notice bibliographique

RevueEconomic Record · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMigration and Labor Dynamics
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésImmigrationSocioeconomic statusEducational attainmentFluencyDemographic economicsAffect (linguistics)Face (sociological concept)SociologyPsychologyPolitical scienceEconomicsEconomic growthDemographyPopulationSocial scienceMathematics education

Résumé

récupéré en direct d'OpenAlex

This paper estimates the returns to English‐speaking fluency on the socioeconomic outcomes of childhood immigrants. We further investigate whether Muslim childhood immigrants face additional hurdles in economic and social integration into the host country. Motivated by the critical age hypothesis, we identify the causal effects of English skills on socioeconomic outcomes by exploring the differences in the country of origin and age at arrival across childhood immigrants. We first document that all childhood immigrants who migrate from non‐English‐speaking countries at a younger age attain higher levels of English skills. We also find that acquiring better English‐language skills improves the educational attainment and labour and marriage market prospects of non‐Muslim childhood immigrants significantly and increases their participation in volunteer work. However, our results show that while a good command of English enhances the educational attainments of Muslim childhood immigrants, it shows no positive return in either the labour or marriage markets. Our results also show that progress in English fails to improve Muslim childhood immigrants’ engagement in voluntary work, meaning that the opportunity for social cohesion is missed.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,013
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,008
Tête enseignante GPT0,253
Écart entre enseignants0,246 · 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

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEconomic RecordMême sujetMigration and Labor DynamicsTravaux en français237 207