Vigie et surveillance de l'itinérance. Méthodologie, outils et usages
Bibliographic record
Abstract
La synthèse de la littérature dans ce rapport porte sur la vigie et la surveillance de l’itinérance au-delà du nombre. Quels sont les moyens mis de l’avant pour se doter d’un portrait de l’itinérance? Plusieurs sociétés ont développé des stratégies pour mesurer et comprendre l’itinérance. Ces stratégies visent à cerner l’évolution quantitative et qualitative de l’itinérance et à identifier ses déterminants pour soutenir la décision à propos des orientations les plus appropriées, des services à mettre en œuvre et des pratiques à déployer.Cette synthèse interprétative permet de considérer une variété de sources et d’analyser tant des données quantitatives que des données qualitatives. La diversité de la littérature portant sur les stratégies méthodologiques conduit à explorer des initiatives de production de données primaires et d’utilisation de données secondaires. L’analyse permet de dégager cinq stratégies mises en œuvre pour cerner le phénomène de l’itinérance : a) l’inventaire de fréquentation des ressources d’hébergement ; b) les dénombrements de rue ; c) les enquêtes sur les facteurs individuels et les facteurs collectifs; d) les approches mixtes; e) les enquêtes sur des thématiques spécifiques.
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 | 0.057 | 0.108 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.015 | 0.021 |
| Science and technology studies | 0.003 | 0.009 |
| Scholarly communication | 0.018 | 0.015 |
| Open science | 0.003 | 0.005 |
| 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".