De Montréal vers la banlieue : déterminants du choix du lieu de résidence
Bibliographic record
Abstract
L’objectif de cette étude est d’identifier les facteurs de localisation résidentielle à l’échelle municipale. Notre analyse porte sur Montréal, qui se distingue des autres métropoles nord-américaines par une dynamique linguistique qui lui est propre, où l’on observe un déclin de la majorité francophone du fait de l’augmentation du nombre de locuteurs d’une langue tierce, due à une forte immigration. Dans un cadre théorique basé sur l’utilité aléatoire (random utility model), un modèle de régression logit conditionnelle stratifiée selon la structure familiale a été développé pour tester l’importance des facteurs linguistiques et ethnoculturels sur le choix d’une municipalité de destination. Les résultats montrent que la composition linguistique est un facteur beaucoup plus important que la présence de minorités visibles pour expliquer le choix de la municipalité de résidence. L’accessibilité aux services et l’offre de logements ressortent également comme des facteurs déterminants de ce choix. Finalement, nos analyses révèlent que les personnes vivant au sein d’une nouvelle famille ou d’un couple en âge d’avoir des enfants sont plus attirées par une municipalité comportant un grand nombre de ménages avec enfant(s) de 5 ans ou moins.
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.001 |
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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".