1950 Türkiye genel nüfus sayımının coğrafi analizi
Bibliographic record
Abstract
Nüfus sayımı, bir ülke halkının sosyo-kültürel özelliklerinin tespitinde kullanılan en önemli bilgi toplama yollarından biridir. Bir insanın cebindeki paranın miktarını daima bilmeye ihtiyaç duyması gibi bir devlet de idaresi altındaki nüfusun sayısını bilmek zorundadır. Nitekim tarihte nüfus sayımına, tam anlamıyla devlet diyebileceğimiz ilk içtimai topluluklarla beraber rastlıyoruz. Tarihin ilk önemli medeniyetlerinden olan eski Mısırlılar nüfus sayımına önem vermiş ve nüfus sayımını ilk olarak onlar icat etmişlerdir.Türkiye’de ilk nüfus sayımı 1927’de yapılmış, ondan sonra her beş senede bir tekrar edilmiştir. Bu sayımlardan biri de 22 Ekim 1950 yılında yapılmış olan 5. genel nüfus sayımıdır. 1945’de 18 milyon kişi olan Türkiye nüfusu kısa zamanda 2 milyon artarak 1950’de 20 milyon kişiye ulaşmıştır. Bu sonuca göre nüfusumuzun artış oranı yılda % 21,5 olmuştur. 1950 yılında aritmetik nüfus yoğunluğunun km²’ye 27 kişi olduğu Türkiye’de kır nüfus oranı % 75 iken, şehir nüfus oranı % 25’tir. Çalışan nüfusun meslek ve ekonomik faaliyete göre dağılışında % 85’lik bir oranla tarım ilk sırada gelmektedir. Toplam nüfusun % 57’si okuma yazma bilmemektedir. Türkçe en fazla konuşulan anadildir. 22 Ekim 1950 Genel Nüfus Sayımı Türkiye’de sokağa çıkma yasağı ile uygulanmıştır. Bu sayımla birlikte Türkiye’nin 1950 yılındaki nüfus büyüklüğü ve gelişiminin yanında nüfusun sosyo-ekonomik nitelikleri hakkında oldukça detaylı bilgi toplanmıştır.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.033 | 0.005 |
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".