MétaCan
Menu
Retour à la cohorte
Enregistrement W4406277341 · doi:10.1080/02673037.2024.2445802

Retrofitting urbanising villages and tenants’ residential satisfaction: a case study of Shenzhen, China

2025· article· en· W4406277341 sur OpenAlexaff
Zhiqiang Cao, De Tong, Yue Gong, Chunxia Gu

Notice bibliographique

RevueHousing Studies · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueUrban and Rural Development Challenges
Établissements canadiensInstitute on Governance
Organismes subventionnairesnon disponible
Mots-clésRetrofittingNeighbourhood (mathematics)ChinaMegacityCorporate governanceBusinessSlumEnvironmental planningEconomic growthGeographyEconomyEngineeringFinanceSociologyEconomics

Résumé

récupéré en direct d'OpenAlex

Since the 1970s, an inclusive slum upgrading strategy focused on perceived neighbourhood environment enhancement has gained prominence in the Global South. In China, recent years have witnessed a new inclusive instance of informal housing governance, namely retrofitting urbanising villages, which focuses on both housing characteristics and neighbourhood environments. This paper presents case studies of four urbanising villages in Shenzhen, China. The empirical analysis shows that the impact of the current retrofitting on tenants’ residential satisfaction primarily stems from enhancements in housing characteristics, while the improvement of neighbourhood environments is relatively inadequate. Further analysis suggests that among the limited improvements, concentrated retrofitting, as opposed to dispersed retrofitting, can more effectively enhance the neighbourhood environment, thereby increasing tenants’ residential satisfaction. For better inclusive governance and increased residential satisfaction, we suggest a concentrated retrofitting mode supported by collective actions and continuing improvement of both housing characteristics and neighbourhood environments. The findings also offer insights for slum upgrading in the Global South.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,104
Score d'incertitude au seuil0,206

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0040,002
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,051
Tête enseignante GPT0,367
Écart entre enseignants0,315 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHousing StudiesMême sujetUrban and Rural Development ChallengesTravaux en français237 207