Regolare l'immigrazione: il management dei flussi per lavoro in Europa
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Tra le sfide che i fenomeni migratori pongono agli stati nazionali, vi è anche la necessità di regolare più efficacemente gli ingressi. Mentre l'Unione Europea cerca di promuovere una maggiore armonizzazione della politiche nazionali, i singoli Stati membri mantengono tuttavia strategie diversificate. Due sono infatti i principali modelli di gestione degli ingressi adottati in Europa: quello presente in Francia, Gran Bretagna e Germania, che controllano i flussi attraverso il sistema dei "permessi di lavoro"; e quello basato sulla determinazione annuale di " quote" di ingresso, per il quale hanno optato invece l'Italia e la Spagna, le quali operano con una logica di regolazione tipica di consolidate esperienze da tempo avviate in Australia, in Canada e negli gli Stati Uniti. Perché queste diverse politiche di ingresso? Attraverso una attenta ricostruzione delle problematiche istituzionali sollevate dai flussi di immigrazione, il lavoro riconduce le scelte maturate in Italia e in Spagna alla necessità di ridurre l'allarme sociale oggi presente in larghe fasce dell'opinione pubblica, che viene in tal modo rassicurata sia attraverso la individuazione di un tetto numerico degli ingressi; sia attraverso un maggior bilanciamento delle diverse aree di provenienza dei "migranti per lavoro". Si riduce in tal modo la vulnerabilità dei confini costieri che caratterizzano questi paesi e si aprono inoltre le porte a una selezione di forza lavoro che può meglio incontrarsi con i fabbisogni del mercato, senza perciò sollevare quei fenomeni di rigetto che periodicamente si presentano ormai non soltanto in Italia e in Spagna, ma anche in gran parte degli altre paesi europei.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
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 it