La dynamique sociale des quartiers urbains
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
L’écologie factorielle nous a beaucoup appris sur les grands traits de l’organisation de l’espace social des villes, mais peu sur ses dynamiques de changement. Cette lacune dépendrait, entre autres, de son incapacité à prendre en compte la structure sociale interne des quartiers urbains. Pourtant dans plusieurs pays, les recensements, qui constituent la principale source de données utilisée en écologie factorielle, publient des ventilations assez détaillées des caractéristiques des résidents des quartiers pour permettre d’explorer certains aspects de la dynamique sociale de ceux-ci, dont la diversité, les inégalités et la mobilité, D’autres dimensions clés, comme la conflictualité, peuvent par ailleurs être documentées à partir d’autres sources. Ici, nous caractérisons d’abord chacune de ces dimensions pour ensuite évaluer l’influence sur elles de la localisation des quartiers au sein de l’espace résidentiel. Ensuite, une analyse des liens entre la mobilité résidentielle et l’asymétrie des revenus au sein des quartiers suggère que la mobilité fait diminuer l’asymétrie, accréditant la thèse de l’autosélection : qui se ressemble s’assemble. En somme, il apparaît que les données tirées des recensements permettent d’éclairer des aspects importants de la dynamique sociale des quartiers urbains, d’autant plus que l’accès à ces données connaît de réels progrès.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it