Funding Representation: An analysis of credit availability for minority owned businesses
Notice bibliographique
Résumé
In the business world, a line of credit can be the deciding factor in a company's operation or closure. According to the Small Business Association, “small business credit cards account for $430 billion in spending, or about 1 in every 6 dollars spent on general purpose cards”, so clearly small time entrepreneurs, who specialize in taking monetary risks for profit, rely heavily on the ability to make purchases now and pay them off later. And in our modern world of start-ups, “mom and pop shops”, and online businesses, more and more people are looking to break into this scene. This includes marginalized and minority groups, those who traditionally have been denied or restricted from access to credit. In 2020, “an estimated 140,918 U.S. firms with majority Black or African American ownership, up 14% from 124,004 in 2017…” (Pew Research), while nearly “one in four new businesses is Hispanic owned” (SBA). My essay ventures to answer the question as to what policies have been enacted to work against these institutional blockades to credit access, how they've negatively and positively affected the longevity of minority owned businesses, and what changes can still be made to assist those who want to become self sufficient and make a more equitable field in the business world for all. My research pulls from numerous sources, including governmental journals, academic databases, and social action organizations dedicated to this very field.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».