Strong(er) Mayors in Ontario – What Difference Will They Make?
Notice bibliographique
Résumé
On October 19, 2022, IMFG convened a public panel discussion titled “Strong(er) Mayors – What Difference Will They Make?” The speakers were Karen Chapple, director of the School of Cities at the University of Toronto; City Hall journalist Matt Elliott; Alison Smith, assistant professor of political science at the University of Toronto; and Gabriel Eidelman, assistant professor, teaching stream, at the Munk School of Global Affairs and Public Policy at the University of Toronto. The panel was moderated by Zack Taylor, associate professor of political science at Western University. The discussion and follow-up questions by the audience brought to the surface a variety of perspectives, both for and against the “strong mayor” provisions of the Strong Mayors, Building Homes Act passed by the Ontario legislature on September 8, 2022. This commentary contextualizes and summarizes the speakers’ remarks. It also takes account of the additional provisions in the Better Municipal Governance Act passed on December 8, 2022, and the February 17, 2023, resignation of Mayor John Tory. The invited speakers provided insights on specific aspects of the law and their implications. Karen Chapple discussed the inspiration for the reform, American “strong mayor” cities. Matt Elliot probed how the relationship between the mayor and councillors might change. Alison Smith talked about the provincial-municipal intergovernmental relationship and the politics of housing policy. Finally, Gabriel Eidelman examines the implications of the change for the relationship between elected officials and professional administrative staff. Zack Taylor provides context for the discussion and, in his conclusion, addresses questions such as the risk of politicizing the public service, the implications for small and regional municipalities, and the role of the province.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,022 | 0,006 |
| Communication savante | 0,005 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».