MétaCan
Menu
Retour à la cohorte
Enregistrement W3001956771 · doi:10.1146/annurev-economics-091819-014652

Poverty and the Labor Market: Today and Yesterday

2020· article· en· W3001956771 sur OpenAlexaboutno aff
Robert C. Allen

Notice bibliographique

RevueAnnual Review of Economics · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueIncome, Poverty, and Inequality
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPovertyExtreme povertyQuarter (Canadian coin)YesterdayDevelopment economicsPopulationEconomicsBasic needsCulture of povertyColonialismGeographyEconomic growthDemographySociology

Résumé

récupéré en direct d'OpenAlex

World Bank estimates put absolute poverty in Asia and Africa at 50–60% of the population in 1980 and at negligible levels in the developed world. This review investigates whether Asia was always so poor, as well as the history of poverty in today's rich countries. Poverty measurement methodologies are reviewed, and it is argued that a basic needs approach is the best way to tackle poverty measurement in the past. This approach is related to recent advances in the measurement of historical real wages. Estimates of poverty rates in England between 1290 and 1867 are presented, as are estimates for preindustrial India. About one-quarter of the English population was in extreme poverty in the late Middle Ages, and the proportion had fallen below 10% by 1688. About one-quarter of the people in northern India lived in extreme poverty in the early nineteenth century, and the proportion was likely lower in 1600. The very high poverty rates in India in 1980 were a development of the colonial era.

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)0,001
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: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,823
Score d'incertitude au seuil0,201

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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 Opus0,023
Tête enseignante GPT0,290
Écart entre enseignants0,267 · 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
GenreSynthèse

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

En bref

Citations43
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnual Review of EconomicsMême sujetIncome, Poverty, and InequalityTravaux en français237 207