The Influence of Gender Disparities on the Unemployment Rate in the United States amid the Covid-19 Pandemic
Notice bibliographique
Résumé
The COVID-19 pandemic, which emerged in late 2019 and quickly spread globally in 2020, hit economic activity tough in most countries. In the United States, the socially enforced shutdown and economic stagnation caused by the pandemic led to a rapid rise in unemployment from the first quarter of 2020 onwards. Although the rise in unemployment rates in the US during the pandemic involves individuals of every gender, the COVID-19 pandemic's effects on the rise in unemployment rates were different for men and women, according to examination of statistics on unemployment for both genders from 2010 to 2023, with women experiencing a greater increase in their unemployment rate compared to men during the pandemic. Moreover, by constructing an ARIMA model based on the unemployment rates of different genders from 2010 to 2019, this paper predicts the unemployment rate of the United States from 2020 to 2023 under the assumption of no pandemic effects. It can be observed that the pace of decline in female unemployment rates during the pandemic was larger than that for male unemployment rates by comparing the gap between the prediction model and the actual data, and by January 2023, whether overall unemployment rates or unemployment rates across different genders were significantly higher than those predicted by the ARIMA model. The data compilation and analysis presented within this paper are useful in understanding the impact of public health events on employment status based on gender differences, and in providing a reference for post-COVID-19 mitigation policies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».