Bibliographic record
Abstract
Aujourd’hui, la globalisation est largement en débat dans l’espace public et dans les media. On lui impute la responsabilité de la plupart des maux de la modernité en même temps qu’on la reconnaît comme la source d’une prospérité jamais atteinte. En première ligne de la globalisation : les milieux urbains qu’on nomme « villes globales » (Sassen 2001) où se concentrent les activités des entreprises, le capital humain, les flux d’information, les activités culturelles et politiques. Les soixante villes repérées dans le monde comme villes globales, sont celles qui affrontent les défis et les complexités d’un monde globalisé en faisant émerger de nouvelles identités qui ne se rattachent plus aux nations et en absorbant une proportion importante des migrations globales. Différentes disciplines de sciences humaines, telles que la géographie, l’économie, les recherches sur les flux migratoires, ont produit du savoir scientifique sur les villes globales mais les questions éducatives semblent avoir été oubliées. Ainsi, les différents systèmes de classification des villes globales existants, négligent les dimensions éducatives de ces villes alors qu’on sait le rôle clé de l’école pour faciliter l’intégration des populations immigrées et la réduction des tensions ethniques. Cette situation s’explique probablement par l’absence de recherches en éducation sur les problématiques éducatives partagées par les villes globales. C’est à cette lacune que le London Education Research Center se propose de remédier en initiant un réseau de recherche sur les politiques et les pratiques éducatives dans les villes globales (Global Cities Education Network). Ce réseau associe des équipes de recherche basées à New York, Paris, Tokyo, Beijing, Toronto, Los Angeles, Chicago, Sydney et Lisbonne. globalisation, villes globales, réseau.
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 | 0.041 | 0.035 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.009 | 0.010 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.015 | 0.013 |
| Open science | 0.005 | 0.020 |
| Research integrity | 0.006 | 0.007 |
| Insufficient payload (model declined to judge) | 0.110 | 0.036 |
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".