MétaCan
Menu
Retour à la cohorte
Enregistrement W3180067973 · doi:10.1080/02723638.2021.1949845

Down and out in Dhaka: understanding land financialization and displacement in austerity urbanism

2021· article· en· W3180067973 sur OpenAlexafffund
Sarah Sharma

Notice bibliographique

RevueUrban Geography · 2021
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHousing, Finance, and Neoliberalism
Établissements canadiensQueen's University
Organismes subventionnairesFederation for the Humanities and Social Sciences
Mots-clésFinancializationLand grabbingReal estateUrbanismEvictionAusterityCapital (architecture)Urban planningRight to the cityEconomicsEconomic growthPolitical economyPolitical scienceGeographyMarket economyArchitecturePoliticsCivil engineeringFinance

Résumé

récupéré en direct d'OpenAlex

This paper examines how high levels of eviction and displacement of the urban poor have arisen due to the financialization of land in Dhaka, Bangladesh. Focusing on the Meradia neighborhood of Dhaka, it employs a historical materialist framework to explore the ramifications of the financialization of land and resulting land grabbing. It is argued that the historical transformation of land into fictitious capital in Dhaka has led to heightened displacements and evictions of the urban poor, which have occurred largely through processes of land grabbing by land and real estate development corporations in Bangladesh. Further, it is argued that the municipal and national states play key roles in the displacement of the working poor in Dhaka by facilitating private land development, failing to enforce existing rules on land grabbing, and by having a paucity of urban housing policies and plans for the urban poor.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,050
Score d'incertitude au seuil0,707

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,033
Tête enseignante GPT0,215
Écart entre enseignants0,183 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations13
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueUrban GeographyMême sujetHousing, Finance, and NeoliberalismTravaux en français237 207