MétaCan
Menu
Retour à la cohorte
Enregistrement W2969661554 · doi:10.18502/kss.v3i21.4964

Alternatives to Long Distance Resettlement for Urban Informal Settlements Affected By Disaster and Climate Change

2019· article· en· W2969661554 sur OpenAlexaff
Brent Doberstein

Notice bibliographique

RevueKnE Social Sciences · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueClimate Change, Adaptation, Migration
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésHuman settlementInformal settlementsClimate changeGeographyEnvironmental planningDisaster risk reductionResource (disambiguation)Climate change adaptationSettlement (finance)Environmental resource managementPolitical scienceEconomic growthBusinessEnvironmental scienceArchaeology

Résumé

récupéré en direct d'OpenAlex

Planned or managed resettlement is increasingly being seen as a logical and legitimate disaster risk reduction and climate change adaptation strategy for urban informal settlements in many developing country cities. Our understanding of the 50+ year history of “Development-induced Displacement” (i.e. resettlement for resource extraction or development project purposes) strongly suggests that resettlement, particularly long distance resettlement, often triggers significant, negative impacts for resettled communities. We now understand that long distance resettlement should be seen as an option of last resort. Under most climate change scenarios, informal settlements in coastal, or riverside locations are expected to be impacted negatively by climatic change, and thus the question of whether or not to resettle (despite the negatives associated with this) still arises. This paper will present several emerging and innovative alternatives to long distance resettlement, including the so-called “vertical resettlement”, amphibious and floating housing, “near-site” resettlement, and in-situ climate change adaptation/upgrading. These alternatives collectively allow for a local “re-imagining of informal settlements” rather than simply “resettlement”. The research methods used in this paper include a review of secondary data (n=20), and limited primary field research involving resettlement site observation and several key informant interviews (n=2).

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,345
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,099
Tête enseignante GPT0,374
Écart entre enseignants0,275 · 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 tête enseignante, pas un consensus.

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

Citations4
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKnE Social SciencesMême sujetClimate Change, Adaptation, MigrationTravaux en français237 207