MétaCan
Menu
Retour à la cohorte
Enregistrement W2016635439 · doi:10.2747/0272-3638.31.4.541

Intensification and Sprawl: Residential Density Trajectories in Canada's Largest Metropolitan Regions

2010· article· en· W2016635439 sur OpenAlexaffabout
Pierre Filion, Trudi E. Bunting, Dejan Pavlic, Paul Langlois

Notice bibliographique

RevueUrban Geography · 2010
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueUrbanization and City Planning
Établissements canadiensUniversity of TorontoUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésMetropolitan areaUrban sprawlEconomic geographyGeographyDecentralizationRegional scienceHuman settlementLand useEconomic growthPolitical scienceEconomicsCivil engineering

Résumé

récupéré en direct d'OpenAlex

This study investigates the balance between forces of standardization and differentiation in the evolution of residential density in Canada's four largest metropolitan regions between 1971 and 2006. The leading factors of standardized development are the continentwide postwar adaptation of urban form to the automobile and growing housing space consumption. The influence of these factors is manifested in increasing convergence in the density levels of the four metropolitan regions as one moves from older to newer zones. Nonetheless, inherited urban forms, topography, economic and demographic performance, and land-use and transportation policies all have the potential to shape distinct density patterns. Each metropolitan region presents a specific density trajectory: Toronto registers a pattern that can be qualified as stable and recentralized; Montreal emerges as a decentralizing metropolitan region; Vancouver shows clear signs of intensification; and in Ottawa-Hull the trajectory combines decentralization and stability. These different metropolitan trajectories offer lessons for intensification strategies. Findings suggest that continentwide tendencies are shaped by features specific to each metropolitan region, and that successful intensification policies must build on those features.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,104

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0020,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,234
Écart entre enseignants0,224 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations39
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueUrban GeographyMême sujetUrbanization and City PlanningTravaux en français237 207