MétaCan
Menu
Retour à la cohorte
Enregistrement W831572550

MUNICIPALITIES AND THE MEGA-EVENT

2012· dissertation· en· W831572550 sur OpenAlexaboutno aff
Carol Phillips

Notice bibliographique

RevueMacSphere (McMaster University) · 2012
Typedissertation
Langueen
DomaineSocial Sciences
ThématiqueSport and Mega-Event Impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMega-Event (particle physics)MegacityGeographyEconomyEconomics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Why do municipalities bid for mega-events? Simply bidding for these events, such as the Commonwealth Games, the Olympic Games or a World Expo, can run into the millions of dollars. The cost of hosting such a large-scale international event now runs into the billions of dollars. It would appear to be an economic risk, yet cities, and their respective countries, around the world continue to choose this public policy path. Using urban regime theory, and focusing on the work of Stone, Stoker and Mossberger, this research investigates the actors and their motivations surrounding the Commonwealth Games bids by Melbourne, Australia for 2006, Halifax, Nova Scotia for 2014, and Hamilton, Ontario for 1994, 2010 and 2014. Civic pride, economic development, tourism growth and infrastructure improvements are all motivating factors and a mega-event is seen as a short-cut to achieving these public policy goals. We conclude that strong cooperation between the public and private sectors is necessary, as well as comparable cooperation between the upper levels of government and the host city, for a seriously competitive bid in a Western democracy, and that the weaker the cooperation, the less resolve and likelihood there is to host an expensive event at any cost. This research not only furthers political science knowledge in the sports public policy field, but also confirms the use of urban regime theory as a useful framework in comparative urban analysis as it allows us to categorize actors and motivations as we compare across municipalities.

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)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,071
Score d'incertitude au seuil0,142

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0070,005
Communication savante0,0070,003
Science ouverte0,0010,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,260
Écart entre enseignants0,236 · 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'étudeSans objet
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

Citations1
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMacSphere (McMaster University)Même sujetSport and Mega-Event ImpactsTravaux en français237 207