Pandemic- and Future-Proofing Cities: Pedestrian-oriented Development as an Alternative Model to Transit-based Intensification Centers
Notice bibliographique
Résumé
Many official smart growth-inspired Canadian plans limit sprawl by mixing land uses, transportation modes, jobs, and residents to create compact, transit-oriented, multi-functional intensification centers enriched with amenities and highly designed public spaces (Ontario Government Ministry of Municipal Affairs and Housing, 2019 [2006]; City of Toronto, 2018). However, these intensification strategies, built on new or expanded public transit systems at metropolitan, regional, and local planning scales, face challenges amid the 2020 pandemic (Filion et al, 2016). Recovery from the combined COVID-19-induced loss of commercial activity in intensification centers and confidence in public transit could take years, and combined with an increased reliance on private vehicles, could undo decades of planning efforts at shifting unsustainable land use-transportation dynamics. Concurrently, there is growing attention on sustainable cities with ample public spaces where safe walking and cycling can flourish. Advocates call for reclaiming the streets for people, pedestrians, and cyclists as a resilient strategy for cities and healthy living (Ewing, 2020a). Cities like Milan, Paris, New York, and Seattle are making permanent, temporary space accommodations to pandemic-related pedestrian flows and distancing (Laker, 2020). This chapter is based on the Canadian (and to a large extent North American) urban reality, which is dominated by low-density, functionally-specialized, and automobile-oriented land uses. Over the last decades, planning efforts to modify this urban form took the form of high-density intensification centers focused on existing or new public transit rail or BRT (bus rapid transit) systems. Such a strategy faces mounting uncertainty amid pandemic-induced, and possibly long-lasting, transit ridership, brick and mortar retailing, and office work decline.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».