Study of spatial analysis methods and illustration with urban microdata from the Greater Montreal Area
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper relates to urban spatial data or point patterns. It focuses on methods allowing to synthesise data sets and to reveal similarities, trends, contrasts and knowledge. First perceived as bundles of data, urban spatial data sets develop into information on behaviours and trends when educated with appropriate methods.This paper discusses issues related to the use of large spatial datasets, Origine-Destination survey data and Canadian censuses data for instance. A number of spatial analysis methods are illustrated in order to further the information that can be drawn from these datasets. Actually, these methods can clarify the influence of space (absolute spatial location, local proximity, neighbourhood effects) on the nature and intensity of urban behaviours and features. Cet article s’intéresse aux données spatiales urbaines, conceptuellement représentées par des points, plus précisément à certaines méthodes permettant de les synthétiser et de révéler certaines similarités, tendances, contrastes et connaissances. D’abord perçues comme des ensembles sans cohérence, les bases de données spatiales deviennent des révélateurs de comportements et tendances lorsque disciplinées selon des méthodes appropriées.Cet article discute des enjeux relatifs à l’exploitation de gros ensembles de données urbaines, par exemple les données issues des enquêtes Origine-Destination montréalaises et des recensements canadiens. Différentes méthodes d’analyse spatiale, assistant la construction d’une connaissance spatialisée plus approfondie des phénomènes urbains, sont illustrées. En fait, ces méthodes permettent d’apprécier l’incidence de l’espace (localisation spatiale absolue, proximité locale, effet de voisinage) sur la nature et l’intensité des comportements et attributs urbains.
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.
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 | 0,000 | 0,000 |
| 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 découle