Driving Engines Effect on Settlement Patterns and Efficiency of the Settlement Influence at Al-Za’atari Camp
Notice bibliographique
Résumé
As refugees lose their sense of spatial identity, they try to adapt by recreating their lost community through revival of rituals, religion, defense, lifestyle, prestige, and climate. Population displacement theory deals with settlements as form of socio-cultural action. The study the driving engines behind the shifted emerging patterns and their influence on the efficiency of the settlement at Al-Za'atari Syrian Refugee Camp, in North Jordan, Al-Mafraq. Face-to-face interviews with camp mobilizers explored the driving engines behind the shifted settlement patterns, and its influence on mobilizers' reachability. A cluster stratified random sample was used to collect quantitative data through a structured questionnaire. Outcomes indicated that refugees are gradually transforming the formal public spaces at the cluster level to private ones as an extension to the shelter domain. Such spatial shifts appear to be driven by a combination of physical, social, socio-spatial drivers, and past socio-spatial experience. These spatial shifts from the formal grid are influenced by refugees’ social values and territorial behavior, expressing zones of influence as means of defensive adaptation. Statistical analysis attested the influence of driving engines on settlement patterns and on the efficiency of the settlement. The driving engines behind the spatial shifts are safety concerns, cultural concerns, religious reasons, lifestyle, prestige, ethnicity and origin, improved infrastructure, improved access to services, and micro-climate. Such attributes influence the total efficiency of the settlement. Conclusively, planners should consider socio-cultural values that reflect defensibility, boundaries definition, and interdependence.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».