MétaCan
Menu
Retour à la cohorte
Enregistrement W4200592266 · doi:10.1177/08997640211057433

Nonprofit Financial Response to Immigration

2021· article· en· W4200592266 sur OpenAlexfundno aff
Claire Le Barbenchon, Lisa A. Keister

Notice bibliographique

RevueNonprofit and Voluntary Sector Quarterly · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueNonprofit Sector and Volunteering
Établissements canadiensnon disponible
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentInnovative Research Group Project of the National Natural Science Foundation of China
Mots-clésImmigrationNonprofit sectorRevenuePopulationBusinessService (business)Demographic economicsEconomic growthPublic relationsFinancePolitical scienceEconomicsSociologyMarketing

Résumé

récupéré en direct d'OpenAlex

Nonprofit organizations are important actors in local communities, providing services to vulnerable populations and acting as stewards for charitable contributions from other members of the population. An important question is whether nonprofits spend or receive additional revenues in response to changes in the populations they serve. Because immigrant populations both receive and contribute to nonprofit resources, changes in immigrant numbers should be reflected in changing financial behavior of local nonprofits. Using data from the National Center for Charitable Statistics and the American Community Survey, we study whether nonprofit financial transactions change in response to changes in the local immigration population, the nature of the change, and the degree to which these changes vary by nonprofit type. Findings suggest that nonprofit financial behavior changes with growth and decline in immigrant populations underscoring the importance of nonprofits as service providers and contribute to an understanding of how organizations respond to external forces.

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)0,003
score de la tête « metaresearch » (Gemma)0,022
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,022
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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 Opus0,014
Tête enseignante GPT0,276
Écart entre enseignants0,262 · 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

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNonprofit and Voluntary Sector QuarterlyMême sujetNonprofit Sector and VolunteeringTravaux en français237 207