La prise en compte de la décroissance démographique dans la planification territoriale : le cas de Saint John, Nouveau-Brunswick
Bibliographic record
Abstract
La littérature sur les shrinking cities met en évidence la difficulté qu’éprouvent les communautés à reconnaître le caractère structurel de la décroissance démographique. Alors que la prise en compte de scénarios de décroissance dans la planification territoriale permettrait d’augmenter la résilience des territoires, cette pratique demeure marginale dans les communautés à risque. Ce mémoire rédigé sous la forme d’un article scientifique a pour objectif de questionner la faisabilité d’une prise en compte de la décroissance dans la planification territoriale par le biais d’une étude de cas de la ville de Saint John au Nouveau-Brunswick. À partir de l’analyse des documents de planification récents de la Ville et de seize entretiens avec les acteurs clés de l’aménagement, de la politique municipale et du développement économique du Grand Saint John réalisés en 2014, nous montrons qu’une telle prise en compte de la décroissance dans la planification est possible, mais qu’elle résulte d’un ensemble complexe de circonstances. À Saint John, la déception collective causée par l’annulation d’un important projet de raffinerie et le leadership du département d’urbanisme de la ville ont permis d’initier un changement de culture au sein de la communauté et de surmonter le caractère tabou de la décroissance démographique.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.000 |
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".