MétaCan
Menu
Retour à la cohorte
Enregistrement W7051984294

Pandemic Patterns: California is Seeing Fewer Entrances and More Exits

2022· article· en· W7051984294 sur OpenAlexaboutno aff

Notice bibliographique

RevueeScholarship (California Digital Library) · 2022
Typearticle
Langueen
DomaineEngineering
ThématiquePlasma Diagnostics and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBayPandemicQuarter (Canadian coin)PopulationCoronavirus disease 2019 (COVID-19)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Since the COVID-19 pandemic began, fewer people have been moving into California from other states and more have been leaving. At the end of September 2021, entrances to California were 8% lower than at the end of March 2020.1 Exits, following a dip in the first half of 2020, stood 12% higher at the end of September 2021 than at the end of March 2020 — representing a return to a steady pre-pandemic rate of increase of approximately 4% per year since 2016. Net domestic migration, defined as the difference between entrances and exits, went from 40,000 net exits per quarter prior to the pandemic to 80,000 afterward. This brief uses data through the end of September 2021. These trends are present throughout the state. Since the end of March 2020, new entrances to the state have dropped in 40 of 58 California counties, and when Californians move, they are slightly more likely to leave the state than they were before the pandemic began (true for nearly every county). But the Bay Area stands out, for several reasons. Since the end of March 2020, new entrances to Bay Area counties have dropped more quickly than in other parts of the state. Before the pandemic, San Francisco County was the only net receiver of population from other US states. Today, all California counties lose population to domestic migration. In addition, whereas in every other economic region the move rate fell since the pandemic began, Bay Area residents moved (to any destination) at higher levels (up 0.3 percentage points, to 4.2%), driving a 21% increase in Bay Area exits.This work has been supported, in part, by the University of California Multicampus Research Programs and Initiatives grants MRP-19-600774 and M21PR3278.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,172
Score d'incertitude au seuil0,343

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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 Opus0,010
Tête enseignante GPT0,196
Écart entre enseignants0,186 · 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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship (California Digital Library)Même sujetPlasma Diagnostics and ApplicationsTravaux en français237 207