MétaCan
Menu
Retour à la cohorte
Enregistrement W3198754047

Statistical analysis on population ageing

2021· article· en· W3198754047 sur OpenAlexaboutno aff
Mădălina-Gabriela Anghel, Dragoș-Alexandru Hașegan

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGlobal Health Care Issues
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLife expectancyQuarter (Canadian coin)PensionPopulationPopulation ageingDemographyEconomic shortageEuropean unionAgeingGeographyDemographic economicsGerontologyEconomicsMedicineSociologyEconomic policy
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The ageing process affects the lives of all of us throughout its duration and on all levels. At the moment, Europe is facing a new challenge. Europeans, in unprecedented numbers, are very long-lived. In the last 50 years, the life expectancy at birth has increased by about 10 years, for both men and women. For the first time in the history of Europe there are so many people who have such a long and healthy life. At the same time, the working age population in the European Union has been declining for a decade and this trend is expected to continue. As the total population remains constant, the risk of labour shortages will increase, with an increase in the burden on older people to cover the social costs needed for the elderly population for a range of services associated with it. In recent years, Romania is facing a major problem, namely the alarming decline in the country's population, while exacerbating the ageing phenomenon. Thus, the population over 65 years increased, while the number of young people decreased. Also, this article analyses the evolution of the average number of pensioners and the average monthly pension in Romania, in the fourth quarter of 2020 compared to the fourth quarter of 2019, using, in this regard, a series of statistical indicators and graphs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,044
score de la tête « metaresearch » (Gemma)0,247
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,232

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0440,247
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0030,004
Bibliométrie0,0100,017
Études des sciences et des technologies0,0010,002
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0160,002

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 Opus0,076
Tête enseignante GPT0,493
Écart entre enseignants0,417 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetGlobal Health Care IssuesTravaux en français237 207