MétaCan
Menu
Retour à la cohorte
Enregistrement W2983123230 · doi:10.1002/psp.2289

Fertility intentions of having a second child among the floating population in China: Effects of socioeconomic factors and home ownership

2019· article· en· W2983123230 sur OpenAlexaff
Min Zhou, Wei Guo

Notice bibliographique

RevuePopulation Space and Place · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDemographic Trends and Gender Preferences
Établissements canadiensUniversity of Victoria
Organismes subventionnairesChina Scholarship Council
Mots-clésFertilitySocioeconomic statusChinaDisadvantagedPopulationRentingDemographic economicsEthnic groupOne-child policySocioeconomicsGeographyDemographyEconomicsEconomic growthFamily planningSociologyPolitical science

Résumé

récupéré en direct d'OpenAlex

Abstract The adoption of the universal two‐child policy in late 2015, replacing the one‐child policy, signals a dramatic shift in China's fertility policy. The 2016 China Migrants Dynamic Survey provides a nationally representative dataset that enables us to reveal, for the first time, the socioeconomic correlates of fertility intentions of having a second child among China's large migrant population. Using a multilevel analytical framework, we find that male, younger, and more affluent migrants, those from minority ethnic groups, individuals migrating from rural areas, those whose first child is a girl, those at 5 years after having the first child, and migrants living in economically less developed cities are more likely to express the intention to have a second child. Moreover, our study establishes a correlation between home ownership and fertility intentions. Migrants who own their own home in the destination city express lower intentions to have a second child, compared with those who are renting. We suggest a proposition about this counterintuitive relationship between home ownership and lower fertility intentions: home ownership and childbearing compete for the limited financial resources of migrants who are socioeconomically disadvantaged in China.

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)0,002
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 enseignants0,061
Score d'incertitude au seuil0,121

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,012
Tête enseignante GPT0,254
Écart entre enseignants0,242 · 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

Citations73
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePopulation Space and PlaceMême sujetDemographic Trends and Gender PreferencesTravaux en français237 207