Community wellbeing: The impacts of inequality, racism and environment on a Brazilian coastal slum
Notice bibliographique
Résumé
This article applies the 3-dimensional wellbeing lens (based on material, relational and subjective dimensions of wellbeing) to examine the factors that affect wellbeing in a slum community (Vila dos Pescadores, in the city of Cubatão, Southeast Brazil). This wellbeing framework proves useful in understanding how community wellbeing is impacted by several negative factors: the perceptions of slums, the presence of systemic racism and growing inequality, and a range of environmental impacts arising from industrial and urban pollution, and environmental disasters. Within this mix of environmental and social impacts are links between poverty and exposure to environmental hazards, and effects of environmental racism. On the positive side, these threats to community wellbeing are countered to some extent through targeted measures carried out by the community association and its partnerships, and through beneficial governmental policy measures. Together, these responses help to reduce the detrimental effects of an unhealthy and dangerous environment, and of social concerns such as exclusion, poverty, urbanization and inequality. Key to the success of response measures are the contributions of the community leadership to improve the wellbeing of slum-dwellers by counterbalancing the effects of racism and social inequality, and implementing social programs and community facilities, thereby filling the gaps created by a lack of state support to slums. These actions illustrate what impoverished communities can do to improve livelihoods and wellbeing, and to combat problems such as environmental degradation and racial discrimination. This article also draws lessons for improving wellbeing analysis, particularly in slum communities, through a greater focus on (1) collective wellbeing and a community-focused view of wellbeing, (2) impacts of racism and inequality, and (3) interactions between community wellbeing and community leadership.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».