La localisation des écoles primaires et le bruit aérien dans la région métropolitaine de Toronto : un diagnostic d’équité environnementale et une analyse des impacts sur la réussite scolaire
Bibliographic record
Abstract
Cet article poursuit deux objectifs. Premièrement, il s’agit de vérifier si les écoles primaires accueillant des enfants issus de milieux défavorisés sont disproportionnellement localisées à proximité des aéroports, dans la région métropolitaine de Toronto. Deuxièmement, il s’agit de vérifier si les écoles primaires avec des niveaux de bruit aérien élevés présentent des niveaux de réussite scolaire plus faibles. L’étude porte sur 1420 écoles primaires publiques ou catholiques. Les courbes NEF ont été utilisées comme indicateur de gêne causée par le bruit des avions. Treize variables décrivant les caractéristiques des écoles et de leur clientèle ont été recueillies au niveau de chaque établissement pour l’année scolaire 2017-2018 à partir de données du Gouvernement de l’Ontario et du Ministère de l’Éducation. Des tests de Student ont été effectués pour réaliser le diagnostic d’équité environnementale alors que pour évaluer l’impact du bruit aérien sur la réussite scolaire, douze modèles de régression ont été construits. Les résultats des tests de Student démontrent que les écoles primaires avec des niveaux plus élevés de bruit aérien accueillent une clientèle plus souvent issue de milieux défavorisés et d’une langue maternelle autre que la langue d’enseignement. Concernant la réussite scolaire, les écoles dans la zone NEF présentent des taux de réussite significativement plus faibles. Par contre, une fois contrôlées les caractéristiques sociodémographiques, le bruit aérien n’est plus significativement associé à des taux de réussite plus faibles.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".