MULTI'CRITERIA EXPERT BASED ANALYSIS FOR RANKING THE URBAN GENTRIFICATION DRIVERS IN DEVELOPING COUNTIRES
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,015 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».