MétaCan
Menu
Retour à la cohorte
Enregistrement W2960658690 · doi:10.35536/lje.2002.v7.i2.a6

An Analysis of Male Internal Migration and Its Correlation toEmployment Status: Evidence from the Punjab

2002· article· en· W2960658690 sur OpenAlexaff
Muhammad Akram, Lubna Shahnaz, Surayya Surayya

Notice bibliographique

Revue˜The œLahore journal of economics · 2002
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMigration and Labor Dynamics
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésMetropolitan areaInternal migrationPovertyPopulationUrbanizationPopulation growthDevelopment economicsImmigrationDeveloping countryGeographyHuman migrationRural areaEconomic growthDemographic economicsEconomicsSocioeconomicsPolitical scienceDemographySociology

Résumé

récupéré en direct d'OpenAlex

Migration plays a pivotal role in the reallocation of human resources under changing demand and supply conditions. Migration takes place when an individual decides that it is preferable to move rather than to stay and where the difficulties of moving seem to be less than the expected rewards. In recent years there has been a trend of increasing migration rates. The United Nations (2000) estimates that about 140 million persons (roughly 2 per cent of the world’s population) reside in a country where they are not born.1 Usually migration takes place from the regions that are associated with poverty and insecurity towards regions which offer greater security of life, employment and basic social services. Poverty pushes people to migrate to urban areas-the outcome, the world’s urban population approaches 2.3 billion by 1990 with 61 per cent living in the metropolitan areas of developing countries and touches 66 per cent in 2000 (United Nations). Within the world Asia has about 15 of the largest cities of the world and most of them are growing at more than 5 per cent per annum. Increased rate of natural growth, immigration and rural-urban migration might be the causes of such a high rate of growth of urban population.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,725
Score d'incertitude au seuil0,857

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,284
Écart entre enseignants0,247 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations1
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue˜The œLahore journal of economicsMême sujetMigration and Labor DynamicsTravaux en français237 207