L’éducation au développement urbain : Quelle éducation pour quels développements ?
Bibliographic record
Abstract
L’environnement des villes engendre des problèmes identitaires, sanitaires, sociaux, écologiques, etc. Des solutions ont été apportées à ces problèmes par différents mouvements d’action sociale comme ceux des communautés en santé, de l’architecture verte et des villes viables et écologiques. L’éducation relative à l’environnement trouve dans ces mouvements une source d’inspiration pour intervenir en milieu urbain et peut ainsi contribuer à éduquer les citoyens à une meilleure littératie urbaine. Quels types de développement orienteront le façonnement des villes nouvelles ? Plusieurs avenues sont possibles : développements humain, viable ou durable, esthétiques, accroissement du « capital social », etc. Chaque communauté déterminera les valeurs environnementales qui seront au cœur de la reconstruction de ses quartiers. La littératie urbaine se résume en des habiletés à lire et à recréer le milieu urbain. Les informations disponibles sur les problèmes urbains et leurs solutions ainsi que des stratégies employées traditionnellement en lecture de textes et en environnement serviront à affiner le regard des personnes impliquées. Des stratégies de créativité seront enfin mises à profit pour faciliter l’invention de solutions urbaines originales, adaptées au(x) type(s) de développement choisi(s).
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.007 | 0.007 |
| Scholarly communication | 0.010 | 0.008 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.016 | 0.003 |
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".