MétaCan
Menu
Retour à la cohorte
Enregistrement W3014563029 · doi:10.17742/image.oi.10.2.10

Being from a Bad Neighbourhood: Confronting Bad Decision Discourses in the Impoverished Inner City

2020· article· en· W3014563029 sur OpenAlexafffundvenueabout
Laura Bisaillon, Mehdia Hassan, Maryam Hassan

Notice bibliographique

RevueImaginations Journal of Cross-Cultural Image Studies · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueParticipatory Visual Research Methods
Établissements canadiensLakehead UniversityThe Scarborough Hospital
Organismes subventionnairesUniversity of British Columbia
Mots-clésNeighbourhood (mathematics)MainstreamPovertySociologyEthnographyInner cityGentrificationGender studiesPolitical scienceEconomic growthSocioeconomicsLaw

Résumé

récupéré en direct d'OpenAlex

This article confronts mainstream discourses about poverty and inner city poor neighbourhoods. It argues that the ways that poverty and poor inner city neighbourhoods are made publicly known in writing and through visual representations present problems such as overpowering structural causes of health and illness, reifying false dichotomy of us and them, and normalizing people living in poverty or working poor people as de facto vulnerable. This can happen when the social relations that govern poverty and sustain human suffering eschew the social relations that produce these experiences. Taking these relations as the objects of analysis, this article focuses sociologically on the Dundas/Sherbourne neighbourhood in Toronto, Canada, as the terrain of inquiry. The aim here is to contribute to analyses of the political, social, and economic determinants of health as well as to critiques of bad-neighbourhood and bad decision discourses. To do this, it bridges visual practice with critical social analysis: drawing together the authors’ individual practices as visual artists, marshaling their social positions as residents of the adjacent St. James Town neighbourhood, and sharing their experiences of the Dundas/Sherbourne area. They employ insights from sensory ethnography and street photography to offer an alternative source of knowledge about the poor inner city that contrasts and contests mainstream ways of knowing these same spaces.

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)0,004
score de la tête « metaresearch » (Gemma)0,056
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Études des sciences et des technologies, Communication savante
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 enseignants0,311
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,056
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,004
Communication savante0,0030,010
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,333
Tête enseignante GPT0,633
Écart entre enseignants0,300 · 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

Citations2
Publié2020
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueImaginations Journal of Cross-Cultural Image StudiesMême sujetParticipatory Visual Research MethodsTravaux en français237 207