Bibliographic record
Abstract
Cette thèse étudie les tendances récentes de l'inégalité du revenu à l'échelle mondiale. Une base de données unique est construite à l'aide de données provenant de la Banque Mondiale et de l'OCDE pour un échantillon de 124 pays sur la période 1980 à 2010. L'analyse de ces données révèle trois résultats distincts. Tout d'abord, en termes de la distribution spatiale de l'inégalité du revenu dans le monde, on retrouve (i) des concentrations de niveaux élevés d'inégalité en Amérique du Sud et Centrale ainsi que (ii) des concentrations de niveaux faibles d'inégalité en Europe occidentale, en particulier dans les pays scandinaves. Au cours de la période d'étude, des augmentations significatives du niveau d'inégalité sont enregistrées pour la Russie et l'Amérique du Nord (notamment au Canada et aux États-Unis). Malgré la persistance de niveaux élevés d'inégalité en Amérique du Sud, les inégalités du revenu dans la région semble être en recul, si ce n'est que très légèrement. Deuxièmement, les résultats d'analyses de régression démontrent que l'hypothèse de Kuznets est toujours d'actualité. Ces résultats sont robustes à différentes mesures d'inégalité. Enfin, en ce qui concerne les déterminants de l'inégalité, les modèles de régression de panel révèlent que plusieurs facteurs sont derrières les tendances observées. Le niveau de développement économique, le ratio de dépendance d'âge, les dépenses du secteur public et le niveau d'activité manufacturière sont tous des déterminants importants de l'inégalité du revenu à l'échelle internationale.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".