Analysis of Human Capital Effects: A Systematic Review of the Literature
Notice bibliographique
Résumé
Economic theory presents human capital as playing a driving role in the process of economic and social development in the countries. Indeed, human capital is presented in several research works as a factor that promotes accelerated growth and sustainable development. Microeconomic analyzes also suggest that investments that improve the level of human capital contribute to improving the distribution of income, but also reduce poverty. However, these conclusions seem not to be shared by all researchers. This article aims to enlighten researchers and especially young researchers on the results of the analyzes of human capital’s effects on economic growth, income inequality, poverty and welfare. In order to achieve this objective, we collected information through search engines. This strategy required the definition of four equations with Boolean operators linking the key words of the study, i.e., ‘education’ with ‘economic growth’, ‘income inequality’, ‘poverty’ and ‘welfare’. Based on the results obtained, we note the existence of a consensus around the effects of human capital on poverty and welfare. However, the results obtained for agricultural productivity, economic growth and income inequality remain mixed. One observation made in the literature is the use of education quantity as a proxy of human capital. As the definition of human capital is broader, education quantity cannot be a good proxy. We suggest some avenues for new research based on a more global human capital index, because this one takes into account other dimensions such as stunting, mortality, average number of years of education and education quality,
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».