Notice bibliographique
Résumé
Gender discrimination begins at a young age. Girls face a range of structural barriers that contribute to unequal educational and economic performance. In recent decades, India has enjoyed economic and demographic conditions that ordinarily would lead to rising female labour-force participation rates. India’s female labour force participation rate fell nearly seven percentage points to 22.5% between 2004-05 and 2011-12, according to NSSO data. The sixth economic census reiterates these findings. While women make up nearly half the population, they account for only a quarter of workers employed. If the workforce participation rate for women in India was the same as for men, roughly 217 million women would join the labour force. Yet National Sample Survey (NSS) data for India show that labour force participation rates of women aged 25-54 (including primary and subsidiary status) have stagnated at about 26-28 per cent in urban areas, and fallen substantially from 57 per cent to 44 per cent in rural areas, between 1987 and 2011. The present study is based on the secondary data collected from various sources like Ministry of Indian Labour Organisation, World Bank Report, Newspaper, etc. Different age groups or different surveys essentially tell the same story, even though the levels differ slightly. his is an important issue for India’s economic development as India is now in the phase of “demographic dividend”, where the share of working-age people is particularly high, which can propel per capita growth rates through labour force participation, savings, and investment effects. But if women largely stay out of the labour force, this effect will be much weaker and India could run up labour shortages in key sectors of the economy.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».