Bibliographic record
Abstract
Bob W. White Lomomba Emongo Gaby Hsab ProblématiqueDans les métropoles des pays industrialisés, même dans celles déjà marquées par une histoire d'immigration ancienne, on retrouve de plus en plus de langues, de religions et de nationalités.S'il est vrai que nous sommes entrés dans l'ère de la « super-diversité » (Vertovec 2007), il est également vrai que les majorités et les groupes minoritaires vivent de plus en plus des « vies parallèles » (Cantle 2005).Dans les métropoles de la migration, nous observons de nouvelles formes d'inégalité économique et sociale (Bauman 1989 ; Chicha et Charest 2012 ; Eid et Labelle 2013) et selon Nate Silver (2015), les villes les plus diversifiées sont également celles qui montrent le plus de ségrégation.Cette « diversification de la diversité » ébranle les assises politiques et morales des sociétés d'accueil et exige de tenir compte de la cohabitation potentiellement conflictuelle des différentes visions du monde et des pratiques relationnelles en milieu urbain.Elle appelle à renouveler la notion de « Cité » non seulement comme espace public, mais aussi comme espace de rencontre non dénué de tensions (Maalouf 1998).Dans ce sens, l'étude de ces dynamiques à l'échelle urbaine appelle à renouveler la notion d'« interculturel », un terme qui est à la source de plusieurs malaises et controverses (Emongo et White 2014), mais dont la nouvelle Cité ne peut pas faire l'économie.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.669 | 0.360 |
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; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
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".