The Big Payoff? Educational and Occupational Attainments of Ethnic Minorities in Beijing
Notice bibliographique
Résumé
Ethnic minority development in Beijing has been marred by deep-seated historical experiences of strained ethnic relations. In spite of this situation, this article demonstrates that ethnic minorities in the capital city have achieved greater educational attainments than the dominant, Han group. Yet, when it comes to their occupational outcomes in high-wage, education-intensive (HWEI) sectors, minorities seemingly pay an 'ethnic penalty'. That is, the Han demographic are disproportionately represented in HWEI occupational sectors. Building upon previous evidence, this article discusses this discrepancy and offers suggestions for improvement. Le développement de minorités ethniques dans Pékin a été marqué par un long passé de relations ethniques tendues. Malgré cette situation, cet article démontre que les minorités ethniques dans la capitale réussissent à atteindre un niveau d'éducation plus élevé que le groupe Han dominant. Pourtant en ce qui concerne leur réussite professionnelle dans les secteurs à qualification et salaire élevés (HWEI), les minorités semblent payer une « pénalité ethnique ». Autrement dit, d'un point de vue démographique, les Han sont sur représentés dans les secteurs professionnels HWEI. Se référant à des études existantes, l'article examine ce décalage et suggère des solutions pour améliorer la situation.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».