Pengestrømmer i frivillig sektor : Befolkningens gaver og lokallagenes økonomi
Bibliographic record
Abstract
Det har vært en nedgang i antall lokale og regionale lag og foreninger fra omtrent 96 700 i 1997 til 81 100 i 2009. Tro- og livssyn har gått tilbake, mens idrettslag og grendelag og velforeninger har gått fram. Overfø-ringer direkte fra det offentlige utgjør fremdeles bare 16 – 17 prosent av inntektene som i 1997. Den ekstra «frivillighetsmilliarden» som kompensasjon for spilleautomatforbudet har imidlertid endret inntektssammen-setningen i noen organisasjonskategorier. Generelt er imidlertid lokallagene fortsatt bemerkelsesverdig flinke til å skaffe inntekter på egenhånd, enten det er gjennom dugnadsbaserte, inntektsbringende aktiviteter og arrangementer eller gjennom lotterier og innsamlinger. Dette er en viktig årsak til reell vekst i driftskost-nader og betalt sysselsetting.\n\nTre av fire norske husstander gir penger til frivillige organisasjoner i løpet av et år, omtrent like mye som i seks andre, forholdsvis rike land vi sammenligner med. Det imidlertid bare Frankrike som har litt lavere median gavebeløp. I Nederland, Canada og Australia er det dobbelt så stort, i Storbritannia er det tre gang-er så stort, og i USA fire ganger så stort. Det er dessuten stor ulikhet mellom inntektsgruppene. Både fami-liesituasjon, kulturell og sosial kapital bidrar til å forklare dette. Tros- og livssynsorganisasjoner og interna-sjonale organisasjoner appellerer i sterkest grad til de med høy og middels inntekt.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.132 | 0.061 |
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".