Localisation des activités métropolitaines : quels impacts sur le navettage à Montréal?
Bibliographic record
Abstract
Le phénomène de déconcentration urbaine constitue une réalité à laquelle de nombreuses métropoles doivent désormais faire face. Perturbant les modèles de localisation des activités à l’échelle métropolitaine, ce processus n’est pas sans bouleverser de nombreux paradigmes, notamment en ce qui a trait aux dynamiques de mobilité. Bien que le lien entre forme urbaine et navettage ait fait l’objet de nombreuses études, les enjeux de cette réorganisation spatiale demeurent mal connus, leurs résultats étant souvent contradictoires. Parallèlement, les préoccupations environnementales grandissantes des métropoles se traduisent par une multiplication des inventaires, plans et politiques visant à réduire leurs émissions de GES. Ainsi, quels impacts la localisation des activités métropolitaines, sous l’influence du phénomène de déconcentration des activités, peut-elle avoir sur le navettage métropolitain et, par conséquent, sur les émissions de GES reliées au transport? À Montréal, le secteur des transports s’avère effectivement crucial en termes de réduction des émissions de GES, ce qui fournit un cadre d’étude particulièrement intéressant pour répondre à cette question.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.020 | 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".