Notice bibliographique
Résumé
In this overview chapter, we call upon data from Statistics Canada and the academic literature to present some stylized facts and figures regarding urban older adults and a synthesis of the challenges and opportunities of aging in urban environments. This chapter serves to provide (1) a snapshot of Canadian urban demographic trends, (2) an overview of the state-of-the-art thinking on urban aging, and (3) contextual framing for the in-depth research chapters and vignettes that make up the urban part of this book. Canada is predominantly a nation of rural spaces. By land area, urban locations occupy only 0.25% of Canada’s 9.9 million square kilometres. However, urbanization is quickly changing the national landscape. While Canada’s urban areas are growing steadily, they are simultaneously driving considerable suburban growth in their periphery. As we note in Chapter 6, Canada is a suburban nation. And those huge suburbs are growing around Canada’s urban centres. The three largest metropolitan areas (which include both urban and suburban areas), Toronto, Montréal, and Vancouver, are home to more than a third of all Canadians, with a combined population of 12.5 million (Statistics Canada, 2019). For many, urban Canada evokes images of these three iconic cities. Big, bustling conurbations with dense downtowns, skyscrapers, and expensive housing. But like suburban and rural areas, urban regions can take a variety of shapes and forms. Although there is no one perfect definition of ‘urban’, we adopt the following operational definition in order to provide a generalized overview of urban demographic trends in Canada: urban areas are dissemination areas (as defined by Statistics Canada) with a population density of 5,000 or more people per square kilometre, or areas with a population density of 1,000 to 5,000 people per square kilometre where fewer than 60% of population commutes by car (Channer et al, 2020).
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,013 | 0,002 |
| Communication savante | 0,006 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,003 |
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 ».