Cartographic Editorial—Mapping the Racial/Ethnic Topography of Subprime Inequality in Urban America
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
The worst global financial crisis since the Great Depression—a wide-ranging, multidimensional catastrophe often labeled the Great Recession—began to unfold in late February 2007 as bond-ratings analysts in New York, London, and Hong Kong reviewed the latest quarterly disclosures on securities backed by millions of subprime mortgage loans made to borrowers in cities and suburbs across the United States. For many years, the high-cost, high-risk subprime market had flourished by exploiting the interdependent American inequalities of race, ethnicity, class, and place: subprime lending was disproportionately focused on racially and ethnically marginalized people and places (Bradford, 2002; Squires, 1992, 2003) and extracted profits from local, place-bound housing transactions to provide revenue streams for local brokers and lenders and investment opportunities for large national and transnational banks, Wall Street investment firms, hedge funds and monoline insurance companies, and institutional investors around the world. At its peak, the lending boom comprised a substantial (if ultimately unmeasurable) proportion of the highly leveraged web of promises in the seemingly placeless, Castellian space of flows of a credit-default swaps industry estimated at more than $60 trillion. As the housing boom collapsed, high-yielding subprime securities suddenly became known as “toxic assets,” and investor panic brought a cascade of structural failures in the architecture of the global financial system. Big failures begat big bailouts: by the spring of 2009, the International Monetary Fund estimated total worldwide losses to financial institutions of $4.1 trillion, whereas in the U.S. alone more than a dozen interwoven initiatives authorized by Congress in the “Troubled Asset Relief Program” committed almost $3 trillion of public funds to the financial system (SIGTARP, 2009). Even more money came
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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