MétaCan
Menu
Retour à la cohorte
Enregistrement W4288450873 · doi:10.7758/rsf.2022.8.5.04

Families’ Job Characteristics and Economic Self-Sufficiency: Differences by Income, Race-Ethnicity, and Nativity

2022· article· en· W4288450873 sur OpenAlexaboutno aff
Pamela Joshi, Abigail Walters, Clemens Noelke, Dolores Acevedo‐García

Notice bibliographique

RevueRSF The Russell Sage Foundation Journal of the Social Sciences · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGender, Labor, and Family Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesW.K. Kellogg FoundationSpencer Foundation
Mots-clésReceiptImmigrationDemographic economicsEthnic groupWageQuarter (Canadian coin)Working poorIncome SupportLabour economicsSurvey of Income and Program ParticipationPopulationRace (biology)Family incomePensionInequalityEconomicsPovertyEconomic growthPolitical scienceGeographySociologyDemography

Résumé

récupéré en direct d'OpenAlex

Policy debates about whether wages and benefits from work provide enough resources to achieve economic self-sufficiency rely on data for workers, not working families. Using data from the Current Population Survey, we find that almost two-thirds of families working full time earn enough to cover a basic family budget, but that less than a quarter of low-income families do. A typical low-income full-time working family with wages below a family budget would need to earn about $11.00 more per hour to cover expenses. This wage gap is larger for black, Hispanic, and immigrant families. Receipt of employer-provided benefits varies—health insurance is more prevalent than pension plans—and both are less available to low-income families, and black, Hispanic, and immigrant working families. Findings suggest that without policies to decrease wage inequality and increase parents’ access to jobs with higher wages and benefits, child opportunity gaps by income, race-ethnicity, and nativity will likely persist.

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)0,005
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 enseignants0,017
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,018
Tête enseignante GPT0,285
Écart entre enseignants0,267 · 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

Citations16
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRSF The Russell Sage Foundation Journal of the Social SciencesMême sujetGender, Labor, and Family DynamicsTravaux en français237 207