Leveraging Full Count Census Data through Record Linkage
Notice bibliographique
Résumé
Academic researchers in the U.S. and Canada have partnered with genealogical organizations and statistical agencies to create massive new scientific data collections from census enumerations. These data are creating new opportunities for research across the social and health sciences. By linking individuals and families across censuses, analysts can create national longitudinal panels that trace the characteristics of individuals over their lives and families over multiple generations. IPUMS disseminates full count census enumerations for ten U.S. census years from 1850 to 1950. These full count data cover almost 800 million individual records and the IPUMS Multigenerational Longitudinal Panel (MLP) project links individuals' records across censuses. IPUMS data can be combined with data from the U.S. Census Bureau’s data linkage infrastructure to link historical records to numerous recent censuses, surveys and administrative data that measure social, economic and health outcomes. The Canadian Peoples (TCP) is a comprehensive public research database of 40 million coded and georeferenced records found in Canadian censuses from the middle of the nineteenth century until after the First World War. The data include personal, family and household characteristics of every individual enumerated in each census from 1852 to 1921. TCP investigators are exploring record linkage technology to solve challenges presented with these historical records. The workshop included one presentation from each organization, with these objectives: introduce the data collections, explain the challenges and opportunities of census linkage, describe the linking strategies, and provide an overview on how to access the data.
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 | 0,097 | 0,237 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,016 | 0,027 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,016 | 0,019 |
| Science ouverte | 0,005 | 0,017 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,006 |
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 ».