Reducing intersectional educational and social inequalities: a conceptual review of travel time, risk, cost in <i>geographies of opportunity</i>
Notice bibliographique
Résumé
While considerable research exists on school availability, education deserts, and school choice, geography of opportunity emerges as a theoretical framework to support new solutions towards equality. Intersections between Freirean theory and discourse analysis surface in existing evidence-base, as availability emerges as perpetually mediated by daily travel time, risk, and cost imposed upon marginalised families. Transportation-related solutions are often more feasible compared to providing direct housing and relocation, though neoliberal market structures continue to dictate car-dependent built environments and urban sprawl to reinforce transportation disadvantage. Research suggests that minimising transportation barriers effectively increases opportunities for individuals stigmatised by race, gender, indigenous experience, disability, socioeconomic status, or other marginalizations. Additionally, developing countries have long mobilised mixed-use vertical developments to minimise land-use while providing opportunities to sizable populations – with developed countries continually documenting environmental-sustainability benefits of these solutions. Expanding geography of opportunity for marginalised families, nonetheless, is rejected under the name of gentrification, suggesting that neoliberal competition for finite opportunities result in segregated, confined, and concentrated areas where marginalised families face demobilisation. In midst of multiple environmental justice and geospatial theories, this paper reviews geography of opportunity scholarship to conceptualise a 20-item research framework, with the aim of supportinging future interdisciplinary scholarship.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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; 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 ».