Le logement des classes moyennes en France : un déclassement objectif, subjectif et politique
Bibliographic record
Abstract
Les classes moyennes, en France, sont affectées par un déclassement (ressenti et observé) en ce qui concerne le logement. Ce sont les strates inférieures des classes moyennes, quelles que soient les définitions et délimitations retenues, qui rencontrent le plus de difficultés, se rapprochant des catégories les moins favorisées. Dans l’ensemble, les mécanismes sociofiscaux ne leur sont pas favorables : les aides au logement vont d’abord aux moins favorisés, les dépenses fiscales bénéficient aux mieux lotis. Alors qu’historiquement la politique française du logement a plutôt visé les classes moyennes, celles-ci sont désormais relativement de côté par rapport, d’une part, aux ménages les plus pauvres et, d’autre part, aux investisseurs plus aisés. Sans qu’il soit possible de décalquer la question des classes moyennes sur celle de la périurbanisation, il apparaît que l’éclatement structurel des classes moyennes se double de l’émiettement des territoires. Cet article, reposant sur la diversité des perspectives et des données, constitue une synthèse autour d’un sujet très débattu en France, qu’il s’agisse des définitions, des évolutions, des habitations et des localisations des classes moyennes.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".