Notice bibliographique
Résumé
Tables 3.1 Jewish population of Canada, 1901-2021 31 3.2 Canadian Jewish, non-Jewish, and total populations by age cohort, 2011 32 3.3 CMAs with a Jewish population of more than 1,000, 2011 33 4.1 Hate crimes by top ethnic, racial, or religious group, Canada, 2019, and Toronto, 2020 47 5.1 Enrolment in non-Orthodox and Orthodox Jewish day schools, Toronto and New York City, 2018 59 5.2 Participation in Jewish education, per cent by city and country 60 5.3 "How important is each of the following in what being Jewish means to you?" Toronto, 2018, in per cent 63 6.1 Jewish population of Canada by degree of Jewishness, 2011 76 6.2 Ordinary least squares (OLS) regression predicting degree of Jewishness for Canadians, ages 25-64, 2011 (n = 26,660) 80 7.1 Jewish socialization and residential concentration by city, 2018 (n = 2,335) 93 7.2 Per cent of Jews by density of Jewish population in city FSAs, 2018 94 7.3 General linear model (GLM) regression predicting Jewish residential clustering in Canada (n = 1,740) 94 8.1 Income measures for Jews and non-Jews after taxes and transfers, Canada, 2010 102 8.2 Self-reported gross annual income, 2017, and socio-economic characteristics, 2018, of Jewish immigrants and non-immigrants in four cities 105 8.3 Ordinary least squares (OLS) regression predicting household income after taxes and transfers by city, 2010 109
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».