Bibliographic record
Abstract
Résumé Notre objectif est de mettre en lumière les hypothèses qui soustendent les analyses relatives à la distribution des revenus et à la pauvreté et de montrer les biais qu’elles entraînent sur les résultats obtenus. Ces hypothèses conduisent à sous-estimer, voire à cacher, les risques de pauvreté des femmes. Ces conséquences sont illustrées à travers trois exemples de « mauvais calculs », qui témoignent d’un aveuglement par rapport à la situation spécifique des femmes. Le premier porte sur l’estimation du risque de pauvreté et montre la variabilité des estimations selon que l’on prend en compte le revenu du ménage ou les revenus individuels. Le deuxième est relatif aux effets d’une rupture sur les revenus des membres du ménage, et montre que les résultats des calculs traditionnels sous-estiment la capacité des femmes à vivre seules. Le dernier s’intéresse aux travailleurs pauvres, souvent des hommes dans l’approche traditionnelle, alors que la situation des femmes sur le marché du travail reste plus précaire.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.060 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.070 | 0.008 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".