Using social network analysis to understand the impact of systems integration efforts: a case study from Thunder Bay
Notice bibliographique
Résumé
Over the past two decades Canadian municipalities have seen the emergence of formalised systems-level collaborative approaches to addressing homelessness and housing issues. The implementation of such approaches has been widespread and to some extent standardised by the Canadian (federal) government through the mandated formation of ‘community advisory boards’ (CABs) and their associated ‘Community Entities (CEs) which direct the use of federal homelessness funding’. CABs have significantly affected systems-level strategic planning to address homelessness in urban, rural, and remote areas across the country. These groups have had impact and success, but also face challenges related to effective collaboration and governance. Despite the significant influence of these groups – in directing funding and resources to address homelessness – there is little independent research on these groups, their effectiveness, the relationships that constitute CABs or the degree to which they achieve their stated goals of cross-sectoral integration. Social Network Analysis (SNA) is an approach for understanding networked organizational relationships. It has been used in some limited housing and homelessness scholarship to document the quantitative and qualitative features of networks and for understanding the comparative successes and impacts of these efforts. In the broadest sense, SNA can be described as the investigation of relationships among individuals and/or groups in order to identify and interrogate social structures. In this paper, we utilize a case study approach to explore how SNA might contribute to a better understanding of cross-sectoral network building in a CAB with the aim of enhancing systems-level planning to end homelessness.
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 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 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; 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 ».