Surviving Old Age in an Ageing World Old People in France, 1820-1940
Bibliographic record
Abstract
Résumé Comparé aux autres pays européens, le vieillissement de la population a été, en France, particulièrement précoce. Cette évolution affecte aussi bien l’organisation de la société que les liens au sein de la famille. Si l’on observe l’évolution du patrimoine des Français entre 1820 et 1940, on constate que la part de ceux qui meurent sans rien laisser derrière eux augmente, et cette évolution s’observe à tous les âges. Partant de ce double constat, on cherche à analyser les stratégies que déploient les individus âgés pour vivre leur vieillesse, autour de trois types de ressources : les ressources économiques individuelles, les ressources familiales et les ressources publiques. L’analyse montre l’hétérogénéité du groupe des vieux et donc des stratégies de survie mises en œuvre. L’épargne n’est une solution que pour une minorité ; elle permet l’accès à d’autres ressources et constitue notamment une alternative au maintien d’une activité. On montre en outre que les retraites qui se mettent progressivement en place contribuent à un accès plus large à l’épargne. On observe finalement que la part croissante des personnes âgées dans la population française a été accompagnée par un rôle accru des soutiens publics.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".