MULTI'CRITERIA EXPERT BASED ANALYSIS FOR RANKING THE URBAN GENTRIFICATION DRIVERS IN DEVELOPING COUNTIRES
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
More than 40 years have passed since the term “gentrification” was coined by Ruth Glass (Torrens & Nara, 2007). Originating from Britain, gentrification has become popular concept in developed countries and much research has been conducted in the US, Europe, Canada and Australia since the 1970s on gentrification of the inner cities (Bounds & Mourris, 2008; Hamnett, 1991). Research was also conducted in some premier cities of developing world such as Mexico, Istanbul, Ankara and Seoul (Ha, 2004; Ergun, 2004; Guzey, 2006; Jones & Varley, 1999). Most of the gentrification researchers come to the point that appearance of the already formulated origins of gentrification are time and place-specific (Guzey, 2006), as this urban phenomenon through an evolutionary process found different aspects and drivers. The reason is that through its evolution from late 1950s different preconditions have brought different logics and outcomes in different geographies. Thus it is worth to threat gentrification as a complex phenomenon by sophisticated tools to examine the ideas and hypotheses behind it. In this research it is intended to use the analytical network process (ANP) integrated with GIS to figure out the gentrification drivers in Kuala Lumpur inner city and rank them according to their influence. This would provide a decision support system as tool par excellence for exploring the expert idea based on time and place. Besides, the methodology will foster the future works on modeling and simulating the behaviors of gentrification in developing countries that have not been applied hitherto.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle