Social housing stigma in Toronto: Identifying asymmetries between stereotypes and statistical actualities of health, crime, and human capital
Notice bibliographique
Résumé
Abstract Research on social housing stigma has proliferated due to growing concern over the effects of territorial stigmatization. The stereotyping of social housing as a site of ill‐health, criminality, and low human capital stems from empirically ambiguous narratives created and recirculated through popular modes (e.g., social media platforms, news coverage). This paper combines principal component analysis, k‐means cluster analysis, and geographic information systems to create and visualize clusters denoting different levels of health, crime, human capital, and dwelling composition in the city of Toronto, Canada. The quantitative research design allows for the identification of “asymmetries,” which are census tracts or neighbourhoods assigned to clusters indicative of high social housing density, and one of either sound health, low crime, or high human capital. The results reveal a spatial patterning of asymmetries in the inner city West End and Downtown, and in inner suburban North York, Etobicoke, and Scarborough. Overall, the paper illustrates the need to assess the empirical foundations of social housing stereotypes. Critically assessing stereotypes is important as they belie the rationale for social housing residents' living situations; pathologizes their identity, behaviour, and home; and generates public support for neoliberal solutions that displace long‐term residents from their communities .
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) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».