Uninhabited, Unused, Untravelled, or Uncharted? Sparsely or Unpopulated Areas and Gridded Population Data
Notice bibliographique
Résumé
Gridded data sets representing the distribution of the human population are increasingly available globally today. If most of the attention they draw is directed toward inhabited areas, in this article, the authors turns to very sparsely or unpopulated areas, which allow for a renewed exploration of their reality and a reflection on the essence of ”unpopulatedness.” To do so, the author reflects on the multiplication of gridded population data sets and the methods used to produce them, using unpopulated areas as a revealing factor of the limits of algorithms. In the second part, different geographical concepts related to uninhabited areas are explored to show that their reality is not clear-cut and more difficult to grasp than data sets based on population density indicate. Very sparsely populated or unpopulated areas include a vast array of regions and situations, from areas not permanently settled but heavily used and travelled to areas that are very infrequently visited. Their levels of transformation by human activities, frequentation, or accessibility differ wildly, so it is impossible to consider them as a unique or coherent category. In conclusion, the author calls for going beyond the “nobody lives there” vision, popular on the internet, by understanding better how population gridded data sets are constructed and by complementing them with new quantitative and qualitative data, which could help distinguish between several nuances of occupation in space and time.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 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 ».