MétaCan
Menu
Retour à la cohorte
Enregistrement W3009528066 · doi:10.3386/w26819

Black-Friendly Businesses in Cities During the Civil Rights Era

2020· preprint· en· W3009528066 sur OpenAlexaff
Maggie Jones, Trevon D. Logan, David Rosé, Lisa Cook

Notice bibliographique

RevueNational Bureau of Economic Research · 2020
Typepreprint
Langueen
DomaineSocial Sciences
ThématiqueUrban, Neighborhood, and Segregation Studies
Établissements canadiensWilfrid Laurier University
Organismes subventionnairesnon disponible
Mots-clésCivil rightsBusinessPolitical scienceLaw

Résumé

récupéré en direct d'OpenAlex

Quantitative analysis of Black business districts and evidence on the magnitude of social change leading up to the passage of the Civil Rights Act of 1964, in particular as it relates to the accessibility of public accommodations, is limited. We combine newly digitized data on the precise geocoded location of nearly 6, 000 Green Book establishments—public accommodations that were friendly towards African American clientele—across major urban areas with existing and new sources of data on social change to understand the dynamics of Black-friendly businesses within cities during the middle of the twentieth century. In doing so, we document a new set of facts. First, we show that the location and growth of Green Book establishments responded to economic forces. Second, we show that there was a large increase in the number of Green Book establishments in cities between 1939 and 1955. Third, for Green Book establishments located in cities for which the Home Owner’s Loan Corporation (HOLC) drew residential security maps, the vast majority (nearly 70 percent) were located in the lowest-grade, redlined neighborhoods. And finally, we show that 1950s urban renewal projects were related to the contraction of non-discriminatory businesses. Collectively, these facts suggest that more research on Black-owned and Black-friendly businesses is needed to fully understand the economics of urban change in the twentieth century.

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)0,002
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: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,711
Score d'incertitude au seuil0,993

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
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 savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,246
Tête enseignante GPT0,470
Écart entre enseignants0,224 · 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'étudeThéorique ou conceptuel
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

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetUrban, Neighborhood, and Segregation StudiesTravaux en français237 207