論文の概要: Investigation into U.S. Citizen and Non-Citizen Worker Health Insurance and Employment

• arxiv url: http://arxiv.org/abs/2601.00896v1
• Date: Wed, 31 Dec 2025 16:00:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.834971
• Title: Investigation into U.S. Citizen and Non-Citizen Worker Health Insurance and Employment
• Title（参考訳）: 米国市民と非市民の健康保険・雇用に関する調査
• Authors: Annabelle Yao,
• Abstract要約: 本研究では、統計的分析と機械学習クラスタリング技術を用いて、社会経済の統合と不平等を分析する。 統計検査により, 医療保険, 質教育, 雇用における人口の割合を調べた。 分析によって明らかになった5つのクラスターは、市民権は労働力への参加とは無関係であるが、雇用主が支援する健康保険には大きな格差が存在することを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Socioeconomic integration is a critical dimension of social equity, yet persistent disparities remain in access to health insurance, education, and employment across different demographic groups. While previous studies have examined isolated aspects of inequality, there is limited research that integrates both statistical analysis and advanced machine learning to uncover hidden structures within population data. This study leverages statistical analysis ($χ^2$ test of independence and Two Proportion Z-Test) and machine learning clustering techniques -- K-Modes and K-Prototypes -- along with t-SNE visualization and CatBoost classification to analyze socioeconomic integration and inequality. Using statistical tests, we identified the proportion of the population with healthcare insurance, quality education, and employment. With this data, we concluded that there was an association between employment and citizenship status. Moreover, we were able to determine 5 distinct population groups using Machine Learning classification. The five clusters our analysis identifies reveal that while citizenship status shows no association with workforce participation, significant disparities exist in access to employer-sponsored health insurance. Each cluster represents a distinct demographic of the population, showing that there is a primary split along the lines of educational attainment which separates Clusters 0 and 4 from Clusters 1, 2, and 3. Furthermore, labor force status and nativity serve as secondary differentiators. Non-citizens are also disproportionately concentrated in precarious employment without benefits, highlighting systemic inequalities in healthcare access. By uncovering demographic clusters that face compounded disadvantages, this research contributes to a more nuanced understanding of socioeconomic stratification.
• Abstract（参考訳）: 社会経済の統合は社会的平等の重要な要素であるが、健康保険、教育、そして様々な人口集団の雇用に永続的な格差が残っている。 これまでの研究では、不平等の孤立した側面を調査してきたが、統計分析と高度な機械学習の両方を統合して、人口データの中に隠された構造を明らかにする研究は限られている。 この研究では、統計分析(独立性テストと2つのプロポーションZ-テスト)と機械学習クラスタリング技術(K-ModesとK-Prototypes)、t-SNE可視化とCatBoost分類を利用して、社会経済の統合と不平等を分析する。 統計検査により, 医療保険, 質教育, 雇用における人口の割合を調べた。 このデータから、雇用と市民権のステータスとの間には関連性があると結論づけた。 さらに,機械学習分類を用いて5つの異なる集団を識別することができた。 分析によって明らかになった5つのクラスターは、市民権は労働力への参加とは無関係であるが、雇用主が支援する健康保険には大きな格差が存在することを示している。 各クラスタは人口の異なる人口層を表しており、クラスタ0と4をクラスタ1と2と3から分離する教育的達成線に沿って、一次的な分裂が存在することを示している。 さらに、労働力の地位と栄養は二次的な差別化要因として機能する。 非市民は、医療アクセスの体系的不平等を浮き彫りにして、不公平な雇用に不当に集中している。 複雑な不利に直面している人口集団を明らかにすることで、この研究は社会経済的成層化のより微妙な理解に寄与する。

関連論文リスト

• Mitigating Subgroup Disparities in Multi-Label Speech Emotion Recognition: A Pseudo-Labeling and Unsupervised Learning Approach [53.824673312331626]
  Implicit Demography Inference (IDI)モジュールは、k平均クラスタリングを用いて、音声感情認識(SER)におけるバイアスを軽減する 実験により、擬似ラベルIDIはサブグループの格差を減らし、フェアネスの指標を28%以上改善することが示された。 教師なしのIDIは、SERのパフォーマンスが3.6%未満のフェアネス指標を4.6%以上改善する。
  論文  参考訳（メタデータ） (2025-05-20T14:50:44Z)
• Assessing Racial Disparities in Healthcare Expenditures via Mediator Distribution Shifts [4.357338639836869]
  本研究は,媒介変数の分布の変化を通じて,このような相違を分解する枠組みを開発する。 我々は,保険アクセスや健康行動,健康状態などの仲介者が人種集団間で平等化されている場合,支出格差が持続または減少する程度について検討した。
  論文  参考訳（メタデータ） (2025-04-30T14:23:50Z)
• Sample Selection Bias in Machine Learning for Healthcare [17.549969100454803]
  サンプル選択バイアス(SSB, sample selection bias)は, 対象個体群が対象個体群に比例しない特定の種類の偏見である。 既存の機械学習技術は、主に研究と対象個体群の分布のバランスをとることによってバイアスを補正しようとする。 偏り補正ではなく,対象集団の同定に基づいて,SSBに対処するための新たな研究方向を提案する。
  論文  参考訳（メタデータ） (2024-05-13T15:30:35Z)
• Stable Bias: Analyzing Societal Representations in Diffusion Models [72.27121528451528]
  本稿では,テキスト・ツー・イメージ(TTI)システムにおける社会的バイアスを探索する新しい手法を提案する。 我々のアプローチは、プロンプト内の性別や民族のマーカーを列挙して生成された画像の変動を特徴づけることに依存している。 我々はこの手法を利用して3つのTTIシステムによって生成された画像を分析し、そのアウトプットが米国の労働人口層と相関しているのに対して、彼らは常に異なる範囲において、限界化されたアイデンティティを低く表現している。
  論文  参考訳（メタデータ） (2023-03-20T19:32:49Z)
• Sociodemographic inequalities in student achievement: An intersectional multilevel analysis of individual heterogeneity and discriminatory accuracy (MAIHDA) with application to students in London, England [0.0]
  本研究は,イギリス・ロンドンに在住する2人の学生を対象に,学生の達成度における社会デマロジカルな不平等について検討した。 対話的な効果ではなく,主に添加物によって構成される達成度において,実質的な成層レベルの変動がみられた。 政策立案者は、余剰学生の増員にもっと注意を払うべきだと結論付けている。
  論文  参考訳（メタデータ） (2022-11-10T16:16:52Z)
• Fair Machine Learning in Healthcare: A Review [90.22219142430146]
  我々は、機械学習と医療格差における公正性の交差を分析する。 機械学習の観点から、関連する公正度メトリクスを批判的にレビューする。 本稿では,医療における倫理的かつ公平なMLアプリケーション開発を約束する新たな研究指針を提案する。
  論文  参考訳（メタデータ） (2022-06-29T04:32:10Z)
• Statistical discrimination in learning agents [64.78141757063142]
  統計的差別は、訓練人口のバイアスとエージェントアーキテクチャの両方の関数としてエージェントポリシーに現れる。 我々は、リカレントニューラルネットワークを使用するエージェントによる差別の低減と、トレーニング環境のバイアスの低減が示される。
  論文  参考訳（メタデータ） (2021-10-21T18:28:57Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。