Can Skills Training Programs Increase Employment for Young Women? : The Case of Liberia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Young people age 15 to 29 make up about \n a quarter of the world's population, yet they \n constitute nearly half of the world's unemployed. The \n World Bank is helping to increase viable employment \n opportunities for youth. In many countries, restrictive \n gender norms make it harder for girls to access training and \n employment opportunities. To ensure that girls and young \n women are included in this agenda, the Bank launched the \n Adolescent Girls Initiative (AGI) in 2008. The program is \n being piloted in eight low-income countries- including some \n of the toughest environments for girls. Each intervention is \n tailored to the country context, and includes an impact \n evaluation to build the evidence base to help adolescent \n girls and young women succeed in the labor market. The first \n AGI pilot- the Economic Empowerment of Adolescent Girls \n (EPAG) and young women project was launched in Liberia in \n late 2009. Preliminary results from the midline survey show \n that EPAG has been very successful in achieving its primary \n objectives- increasing employment and earnings among young \n women. The magnitude of the results is impressive when \n compared to findings from other youth training programs in \n developing countries. It is expected that successful \n economic empowerment programs like EPAG can also indirectly \n bring about positive behavioral changes and provide \n spillover benefits for the families and communities of trainees.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle