MétaCan
Menu
Retour à la cohorte
Enregistrement W4400874122 · doi:10.1016/j.jue.2024.103686

JUE insight: Air pollution and student performance in the U.S.

2024· article· en· W4400874122 sur OpenAlexafffund
Michael Gilraine, Angela Zheng

Notice bibliographique

RevueJournal of Urban Economics · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Environmental Valuation
Établissements canadiensMcMaster UniversitySimon Fraser University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésPollutionAir pollutionElectricityUnit (ring theory)Test (biology)Natural resource economicsStandard deviationEnvironmental scienceParticulate pollutionParticulatesFellEconomicsAgricultural economicsEconometricsEnvironmental protectionGeographyStatisticsMathematicsEngineeringChemistryCartographyEcology

Résumé

récupéré en direct d'OpenAlex

The United States has seen a drastic shift in the fuels used for electricity production. We study the consequences of these changes on air pollution and test scores. Using data covering the near-universe of students and a shift-share instrument that interacts local fuel shares with national growth rates, we show that each one-unit increase in particulate pollution reduces test scores by 0.016 standard deviations. Our estimates indicate that pollution reductions from electricity generation raised nationwide test scores by 0.03 standard deviations. As pollution declines were largest in majority-black districts, the black–white test score gap fell by 0.01 standard deviations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,097
Score d'incertitude au seuil0,320

Scores Codex et Gemma par catégorie

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

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 Opus0,048
Tête enseignante GPT0,208
Écart entre enseignants0,160 · 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 tête enseignante, 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

Citations2
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Urban EconomicsMême sujetEconomic and Environmental ValuationTravaux en français237 207