Infra-sutures: New Perspectives in Responsive Design and Community Engagement
Notice bibliographique
Résumé
Whether considering the construction of highways, urban renewal, or concentrated poverty, many low-wealth communities of color bear the scars of inequity. These scars are symbols of racial and socioeconomic trauma with deep physical, cultural and economic impact; however, this plan asserts that if the built environment has the power to entrench and reinforce hierarchies, it also has the power to participate in dismantling oppressive ideologies and advancing racial and socioeconomic equity. With Richmond, Virginia serving as the case example, this plan proposes a community engagement process and culturally responsive design principles to activate public space redevelopment projects as infra-sutures. Developed by dlandstudio in Montreal, QB, Canada, infra-sutures conceptualizes efforts to reconnect communities disrupted by transit infrastructure in Montreal. This plan builds upon this concept by broadening infra-sutures to include reconnecting communities culturally and economically for healing and restoration. The four phases of engagement to redevelop public spaces as infra-sutures include: pre-planning (co-learning and sharing power with residents); inclusive planning (residents as the anchor); planning for racial equity through design; and implementation and stewardship. Each phase is built on a foundation of core beliefs that race has shaped the built environment; equitable revitalization should lead to cultural and economic wealth building; the process matters just as much as the completed project; and the expertise of residents should shape communities. This plan combines research from literature and interviews with Richmond residents, historians, and community engagement experts to develop an engagement process aimed at advancing racial and socioeconomic equity.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».