Urban Green-Space: Environmental Justice & Green Gentrification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In cities across the world, both in the global South and North, the distribution of urban green spaces exhibits stark inequalities. Affluent neighborhoods are often graced with abundant, well-maintained parks and green areas, offering residents a higher quality of life and environmental benefits. In contrast, communities with lower incomes and minority populations frequently face a scarcity of such spaces, and the green areas they do have tend to be of lower quality. This disparity not only reflects broader social and economic inequities but also has significant implications for public health, environmental justice, and social cohesion. Efforts to rectify this imbalance, while well-intentioned, can inadvertently lead to gentrification. Improving green spaces in underserved neighborhoods often makes these areas more attractive to higher-income groups, driving up property values and living costs. This process can displace long-term, lower-income residents, ironically exacerbating the very inequalities such initiatives aim to address. The resulting gentrification can also lead to increased homelessness among the most vulnerable populations. Thus, urban planners and policymakers face a complex, paradoxical challenge: how to equitably enhance urban greenery without contributing to gentrification and the further marginalization of low-income communities. This dilemma underscores the need for inclusive, carefully considered strategies in urban environmental planning that prioritize the needs and voices of all residents, especially those in historically marginalized 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.
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 | 0,000 | 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 | 0,000 | 0,000 |
| 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 | 0,001 |
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 découle