Le repérage des zones \nde concentration de la \npauvreté à Montréal : \nl’identification des \nmicro, meso et macro \nzones de pauvreté
Bibliographic record
Abstract
De nombreux auteurs ont démontré que les résultats d’analyses statistiques varient en \nfonction de la définition géographique des entités. Malgré tout, peu d’études se sont \nattardées à évaluer les implications du MAUP – Multiple Area Unit Problem – en études \nurbaines et en analyse des politiques. Or, l’identification des zones de concentration de \npauvreté dans le cadre de la stratégie d’intervention ciblée de la Ville de Montréal a soulevé \nde vives critiques car des quartiers abritant des effectifs importants de personnes à faible \nrevenu ont été écartés. Ceci nous a amené à explorer les implications des changements \nd’échelles sur l’identification des zones de concentration de la pauvreté (40 % ou plus de \npopulation à faible revenu). \nL’approche méthodologique proposée pour identifier les zones de concentration de la \npauvreté repose sur trois niveaux géographiques d’analyse : les aires de diffusion (AD — \nmicro zones), les secteurs de recensement (SR— meso zones) et des districts correspondant \nsoit à des quartiers ou des municipalités (districts —macro zones). Des analyses \nmultiniveaux de type ANOVA à deux et à trois niveaux hiérarchiques ont été réalisées afin \nde voir comment se répartit la variance entre les AD, SR et les districts. \nLes résultats des analyses multiniveaux démontrent que les SR sont beaucoup plus \nhétérogènes sur la base des AD que ne le sont les districts sur la base des SR. En outre, ils \ndémontrent qu’à Montréal en 2005, 22,28 % de la population à faible revenu de la \nmétropole montréalaise réside dans des macro zones (districts) de concentration de la \npauvreté; près du quart (24,47 %) de la population à faible revenu de la métropole réside \ndans meso zones de concentration de la pauvreté; et finalement, 35,28 % de la population à \nfaible revenu de la métropole réside dans micro zones de concentration de la pauvreté.
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 | 0.007 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.005 | 0.007 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 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; both teacher heads agree on what is shown here.
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".