MétaCan
Menu
Retour à la cohorte
Enregistrement W2995434949 · doi:10.35188/unu-wider/2019/731-6

Involuntary migration, inequality, and integration: National and subnational influences

2019· book· en· W2995434949 sur OpenAlexaboutno aff
Rachel M. Gisselquist

Notice bibliographique

RevueWorking Paper Series · 2019
Typebook
Langueen
DomaineSocial Sciences
ThématiqueMigration and Labor Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInequalityDevelopment economicsSocioeconomic statusSocial inequalityVietnamesePolitical scienceEconomic geographyGeographyEthnic groupPovertyEconomic integrationHuman capitalDemographic economicsEconomic growthSociologyEconomicsPopulation

Résumé

récupéré en direct d'OpenAlex

Across the world, we observe different experiences in terms of inequality between migrant and ‘host-country’ populations. What factors contribute to such variation? What policies and programmes facilitate ‘better’ economic integration? This paper, and the broader collection of studies that it frames, speaks to these questions through focused comparative consideration of two migrant populations (Vietnamese and Afghan) in four Western countries (Canada, Germany, the UK, and the US). It pays particular attention to involuntary migrants who fled conflict in their home regions beginning in the 1970s. The paper builds in particular on the literature on segmented assimilation theory, exploring new linkages with work on horizontal inequality, to highlight the role of five key sets of factors in such variation: governmental policies and institutions; labour market reception; existing co-ethnic communities; human capital and socioeconomic characteristics; and social cohesion or ‘groupness’.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,921
Score d'incertitude au seuil0,885

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 technologies0,0010,001
Communication savante0,0000,001
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 Opus0,028
Tête enseignante GPT0,286
Écart entre enseignants0,257 · 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'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWorking Paper SeriesMême sujetMigration and Labor DynamicsTravaux en français237 207