Le Bien-Être des Personnes en Situation D’itinérance: Le Partage de l’espace Examiné Sous les Loupes de l’architecture et du Travail Social
Bibliographic record
Abstract
Le partage de l’espace et la cohabitation sociale dans les grandes villes sont soumis à différents diktats. Entre la spéculation immobilière, la revitalisation, la densification et les mouvements de populations, ce partage est souvent bousculé. Ce que les études démontrent jusqu’à maintenant c’est un partage inégal de cet espace au détriment des populations marginalisées, surtout des populations en situation d’itinérance. Pour être attractives, les villes repoussent les populations perçues comme étant indésirables au regard des activités commerciales et touristiques. Les populations en situation d’itinérance voient donc leur accès à la ville compromis principalement en raison de leur occupation de l’espace public jugée comme étant fautive. Ces populations n’ont nulle part où aller, nulle part pour disparaître. En parallèle, en matière de prise en charge des populations en situation d’itinérance, le logement est souvent placé comme la pierre angulaire de toutes les démarches d’intervention et c’est à partir du logement qu’est donc pensée la réinsertion sociale (de manière micro-sociologique) ou encore la réduction des inégalités sociales (de manière macro-sociologique). Par ailleurs, de nombreuses villes occidentales, comme Montréal (Québec, Canada) connaissent d’importantes crises du logement, rendant l’accès à ceux-ci plus difficile que jamais. Est-il alors possible, d’exister, d’utiliser, de circuler, de se rencontrer dans l’espace, sans avoir d’ancrage à un logement? Cet article cherche à revoir, de manière inédite, les pratiques qui s’interrogent sur le vivre-ensemble, sur la cohabitation sociale, afin d’identifier celles qui contribuent davantage au bien-être des personnes en situation d’itinérance. C’est plus particulièrement en recourant aux pratiques d’aménagement (architecture, design, urbanisme) et aux pratiques d’intervention sociale (travail social, médiation, soin) que nous tenterons de déplacer notre regard pour favoriser un meilleur partage des espaces urbains.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".