The Labor Force Trajectories of Immigrant Women in the United States: Intersecting Individual and Gendered Cohort Characteristics
Notice bibliographique
Résumé
Research on immigrant women's labor market incorporation has increased in recent years, yet systematic comparisons of employment trajectories by national origin and over time remain rare. Likewise, the literature on immigrant assimilation remains dominated by attention to men, with little focus on larger gendered migration dynamics. Using US Census and ACS data from 1990 to 2016, we construct synthetic migration cohorts by national/regional origin, period, and age at arrival to track immigrant women's labor force participation (LFP) over time. We propose and model a typology of workforce incorporation, adjusting for individual characteristics and gendered migration-cohort characteristics (i.e., the gender ratio, share of women arriving single, and share of men arriving with a college education). Results indicate that immigrant women gradually join the workforce over time, though with significant variation in starting employment levels and growth rates. We classify the observed patterns into a five-group typology: Gradual incorporation (cohorts from Europe, Canada, Africa, China, and Vietnam), delayed incorporation with low entry LFP level (cohorts from Mexico), delayed incorporation with moderate entry LFP level (cohorts from Central America, South America, and Cuba), accelerated incorporation (cohorts from India, Korea, and other Asian countries), and continuous intensive employment (cohorts from the Philippines and the Caribbean). We show that gendered migration cohort characteristics explain a substantial share of national/regional origin variation in immigrant women's workforce participation, highlighting the importance of broader cultural and structural forces shaping gendered patterns of immigrant labor market incorporation.
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 | 0,000 |
| 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 ».