Gentrification et bien-être : rôle des expositions quotidiennes et de l'historique résidentiel à Montréal
Bibliographic record
Abstract
Contexte : La gentrification, en transformant les environnements de vie, peut avoir un impact sur le bien-être des populations. Cependant, l’exposition à la gentrification peut être vécue et mesurée de plusieurs manières. À ce jour, les mesures existantes de ladite exposition sont uniquement fondées sur des critères objectifs déterminés à l’échelle populationnelle. Pourtant, la mesure de ce phénomène au niveau individuel incluant une dimension subjective à travers notamment la perception que l’on peut en ressentir pourrait permettre de mieux rendre compte de son impact sur le bien-être subjectif. Ce mémoire vise à faire progresser la recherche dans ce domaine, en considérant trois mesures d'exposition individuelle à la gentrification à base spatio-temporelle : l’exposition ponctuelle au domicile actuel, l’exposition moyenne aux lieux d’activités non résidentiels et l’exposition historique cumulée basée sur l’historique résidentiel. Méthode : Les données de 848 participants provenant de la première vague de la branche montréalaise de l’étude longitudinale INTERACT ont été analysées. Six modèles de régression linéaire multiple ont examiné la relation entre ces trois mesures et deux indicateurs de bien-être subjectif : l’Indice de Satisfaction de la Vie (ISV) et l’Indice du Bonheur Subjectif (IBS). Résultats : L’exposition historique à la gentrification (GentriHist) était la seule mesure d’exposition à la gentrification qui était positivement corrélée à la fois à la satisfaction de la vie (B ajusté =0,825; IC à 95% = [0,779 ; 0,836]) et au bonheur subjectif (B ajusté = 0,136; IC à 95% = [0,121 à 0,140]). Par ailleurs, l’effet d’interaction du niveau de revenu dans la relation entre la gentrification historique et la satisfaction de la vie montre que dans un contexte où les personnes à revenu suffisant (ISV moyen = 7,7) ont un niveau de satisfaction supérieur aux personnes à faible revenu (ISV moyen = 6,5), l’effet positif de l’exposition prolongée à la gentrification (plus de 3ans) est plus prononcé pour les populations défavorisées (ΔISV = 0,6) que chez les plus riches (ΔISV = 0,2). Conclusion : Nos résultats suggèrent l’intérêt de faire de la GentriHist un indicateur de référence en matière de mesure d’exposition individuelle à la gentrification ; afin de mieux en apprécier le lien avec le bien-être subjectif.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.008 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".