MétaCan
Menu
Retour à la cohorte
Enregistrement W4366818972 · doi:10.1016/j.habitatint.2023.102813

Border effect on migrants’ settlement pattern: Evidence from China

2023· article· en· W4366818972 sur OpenAlexaff
Chenglong Wang, Jianfa Shen, Ye Liu, Liyue Lin

Notice bibliographique

RevueHabitat International · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueMigration and Labor Dynamics
Établissements canadiensPublic Health OntarioUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésSettlement (finance)ChinaEconomic geographyRedistribution (election)GeographyDistribution (mathematics)Internal migrationPopulationDemographic economicsConceptual frameworkDevelopment economicsPolitical scienceDemographySociologyEconomicsPolitics

Résumé

récupéré en direct d'OpenAlex

Migrants' settlement is an emerging topic, especially in underdeveloped countries with massive internal migration. This study is a response to the pressing need of theorizing the emerging migration issue and enriching the conceptual approach in migration studies. From the perspective of the border effect, we propose a conceptual model of population redistribution. It reveals that the border effect on migrants' settlement pattern presents an inverted U-shaped change that the migrants' settlement pattern evolves from low-level balance to high-level balance across space. Besides, border effect plays different roles in settlement patterns of inter-regional migrants, intra-regional migrants, and the difference between inter-regional migrants and intra-regional migrants. Using an extended Barro regression, China's case validates the Barrier-Ⅱ stage in the conceptual model, in which the border effect tends to be weakened and there is a more even distribution of migrants who settle in the destination across space at the regional level. Economic disparity and social/cultural differences produce the border effect, and the border plays a more influential role in the distribution of the difference between inter-provincial migrants and intra-provincial migrants.

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)0,003
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 enseignants0,052
Score d'incertitude au seuil0,104

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
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 Opus0,020
Tête enseignante GPT0,352
Écart entre enseignants0,332 · 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

Citations11
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHabitat InternationalMême sujetMigration and Labor DynamicsTravaux en français237 207