Community-driven approaches to homelessness enumeration: insights from the 2024 Point-in-Time (PiT) Count in Thunder Bay, Canada
Notice bibliographique
Résumé
Introduction The 2024 Thunder Bay Point-in-Time (PiT) Count represents an innovative, community-led approach to enumerating people experiencing homelessness (PEH) in a mid-sized Canadian city, co-led by the Lakehead Social Planning Council and the Thunder Bay Indigenous Friendship Centre. Grounded in cultural inclusivity, the initiative sought to enhance PEH enumeration through locally adapted methodologies.Methods This case study incorporated a narrative literature review, structured interviews with key stakeholders, and analysis of data collected from multiple survey sites. A comparative analysis was also conducted, examining enumeration practices in the United States (U.S.) and the United Kingdom (U.K.).Results The Count achieved high participation by incorporating Indigenous languages, cultural protocols, and a co-designed survey process. A custom electronic platform facilitated secure data entry; however, some technical challenges necessitated hybrid solutions. Compared with models used in the U.S. and U.K., the Thunder Bay approach emphasized flexibility, equity, and local relevance, particularly for Indigenous populations.Conclusions Aligning federal mandates with regional priorities can produce more inclusive and actionable data. The Thunder Bay model highlights the importance of co-leadership, digital infrastructure, and culturally grounded practices in enhancing the quality and relevance of future PiT Counts.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».