GELİR DAĞILIMI VE EĞİTİM HARCAMALARI
Notice bibliographique
Résumé
Gelir dağılımı ve eğitim harcamaları arasında çift yönlü bir ilişki bulunmaktadır. Toplumdaki gelir dağılımı eşitsizliği, eğitime olan talep düzeyini etkilemekte ve düşük gelir düzeyine sahip ailelerin çocuklarının eğitim imkânlarından daha az yararlanması söz konusu olmaktadır. Eğitimin maliyetinin aile için yüksek olması ve gelir eşitsizliği eğitime katılımı engellemekte ve bu sebeple gelir dağılımı daha bozuk hale gelmektedir. Daha bozuk bir gelir dağılımı ise eğitim eşitsizliklerini artırmaktadır. Diğer yandan eğitime katılımın artması düşük gelir düzeyine sahip olan kişilerin gelirlerini artırarak kazanç eşitsizliklerini azaltabilir ki, bu da gelir dağılımını düzeltici bir etki yapabilir. Bu çalışmada birinci yöndeki etki, diğer bir deyişle gelir dağılımı bozukluğunun eğitime katılımı ne yönde etkilediği, üzerinde durulacaktır. Bu sebeple, Türkiye'nin ve diğer OECD ülkelerinin eğitim harcamaları ve gelir dağılımı karşılaştırmalı olarak analiz edilmektedir.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 0,010 |
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 ».