MétaCan
Menu
Retour à la cohorte
Enregistrement W4233543614 · doi:10.14426/ahmr.v3i2.831

The Owners of Xenophobia: Zimbabwean Informal Enterprise and Xenophobic Violence in South Africa

2017· article· en· W4233543614 sur OpenAlexafffund
Jonathan Crush, Godfrey Tawodzera, Abel Chikanda, Daniel Tevera

Notice bibliographique

RevueAFRICAN HUMAN MOBILITY REVIEW · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMigration, Ethnicity, and Economy
Établissements canadiensBalsillie School of International Affairs
Organismes subventionnairesInternational Development Research Centre
Mots-clésXenophobiaInformal sectorLootingEntrepreneurshipIslamophobiaPolitical scienceFace (sociological concept)HostilityCriminologyDevelopment economicsImmigrationEconomic growthPoliticsSociologyPsychologySocial scienceSocial psychologyEconomicsLaw

Résumé

récupéré en direct d'OpenAlex

This paper is a contribution to our understanding of the intertwined economic and political crises in Zimbabwe and the crisis of xenophobia in South Africa. There have been few studies to date specifically examining the impact of xenophobic violence on Zimbabweans trying to make a living in the South African informal economy. The paper first provides a picture of Zimbabwean migrant entrepreneurship using survey data from a 2015 study of migrants in the informal economy. All of the Zimbabwean entrepreneurs interviewed in depth for the study in 2016 had either witnessed or been the victims of xenophobic violence or both. The interviews focused on the experience and impact of xenophobic violence on personal safety and business operations. The migrant accounts clearly demonstrate that they see xenophobia as a key driver of the hostility, looting and violence that they experience. The paper argues that the deep-rooted crisis in Zimbabwe, which has driven many to South Africa in the first place, makes return home in the face of xenophobia a non-viable option. Zimbabweans are forced to adopt a number of self-protection strategies, none of which ultimately provide insurance against future attack.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,032
Tête enseignante GPT0,310
Écart entre enseignants0,278 · 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'étudeQualitatif
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

Citations4
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAFRICAN HUMAN MOBILITY REVIEWMême sujetMigration, Ethnicity, and EconomyTravaux en français237 207