MétaCan
Menu
Retour à la cohorte
Enregistrement W2862832735 · doi:10.1177/0308518x18786966

Managing territorial stigmatization from the ‘middle’: The revitalization of a post-industrial Business Improvement Area

2018· article· en· W2862832735 sur OpenAlexaffabout
Daniel Kudla, Michael Courey

Notice bibliographique

RevueEnvironment and Planning A Economy and Space · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueEmployment and Welfare Studies
Établissements canadiensWestern UniversityUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésNegotiationConceptualizationNeighbourhood (mathematics)PoliticsSociologyStigma (botany)Political scienceSocial sciencePsychologyLaw

Résumé

récupéré en direct d'OpenAlex

Wacquant’s territorial stigmatization concept asserts that state/private actors mobilize discourses of stigmatization about specific areas in a city in order to legitimize spatial solutions in an attempt to solve complex political-economic problems. Unlike conventional studies of territorial stigmatization which delineate the concept between the production of stigma from ‘above’ and the resistance of stigma from ‘below,’ this paper contributes the concept of territorial stigmatization from the ‘middle’. Given their conceptualization as key players in the urban assemblage, we specifically examine how Business Improvement Areas (also known as Business Improvement Districts in the U.S) negotiate territorial stigmatization throughout the neighbourhood revitalization process. We highlight Business Improvement Areas’ unique middle position by drawing on data collected from interviews, media articles, and urban planning reports in London Ontario’s Old East Village over a fifteen-year period. In short, we find the use of territorial stigmatization by Business Improvement Areas is contingent upon their relationship within the urban assemblage (both actors from above and below).

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)0,006
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0180,021
Communication savante0,0060,005
Science ouverte0,0010,014
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,051
Tête enseignante GPT0,279
Écart entre enseignants0,228 · 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'étudeQualitatif
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

Citations40
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironment and Planning A Economy and SpaceMême sujetEmployment and Welfare StudiesTravaux en français237 207