La prise en compte des inégalités socio-spatiales dans les politiques de mobilité : Vers de nouvelles catégories de pensée et d’action
Bibliographic record
Abstract
Cette note présente un projet de recherche menée en France sur la prise en compte des inégalités socio-spatiales par les politiques urbaines de mobilité. Cette recherche associe de façon originale le champ de l’analyse de la mobilité quotidienne et celui de l’analyse des politiques urbaines. La question principale est celle de la production de la connaissance de la mobilité pour et par les politiques urbaines qui relèvent du transport ou non (insertion par l’emploi, politiques temporelles). Ces politiques ont de nouveaux contenus et de nouvelles modalités d’action dont on se demande s’ils ont généré un renouvellement des outils de connaissance de mobilité. Par ailleurs, les inégalités socio-spatiales liées aux besoins de mobilité sont-elles formalisées dans ces modes de production de la connaissance ? Cette recherche comprend deux volets : une analyse menée sur les actions innovantes menées à Lyon dans le champ de la mobilité par l’instance de gouvernement métropolitain, et une expérimentation méthodologique sur l’exploitation secondaire des données d’un outil traditionnel de production de connaissance, l’enquête ménages-déplacements, afin de produire un outil de connaissance des disparités individuelles de mobilité pour l’accès à l’emploi.
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 | 0.015 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.008 |
| Science and technology studies | 0.005 | 0.029 |
| Scholarly communication | 0.018 | 0.013 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".