How Waitlist Management Biases Data Production in Built for Zero Communities
Notice bibliographique
Résumé
Built for Zero (BFZ) is a new data-driven approach to allocating housing assistance to homeless households. BFZ implementation includes the production/maintenance of a “by-name list” (BNL). The BNL is a regularly updated spreadsheet with personalised data about everyone who enters and exits a local homeless system (i.e., flow). Local administrators use the BNL to produce “by-name data” (BND). BND lets administrators monitor and manipulate system flow in “real time.” Scholars have not analysed how administrators manage their BNL and produce BND. This paper starts that conservation by answering three questions with interview data that was collected from administrators at 28 “BFZ communities” (i.e., homeless systems implementing BFZ): How do administrators manage their BNL? What factors influence BNL management? How does BNL management affect BND accuracy? Using thematic analysis, the author provides evidence that administrators manage the length of their BNL by removing “inactive” clients who have disengaged from service providers. Administrators try to verify housing status before deeming someone inactive. The verification process is shaped by social policies, network ties, virtual interactions, and administrative discretion. Because those things vary across homeless systems, administrators face different constraints and enablers whilst verifying someone’s housing status. The intersection of contextual factors and subjective processes biases the BND administrators produce from their BNL.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».