Mapping the social city Comparing a geospatial and community approach to social infrastructure in Notre-Dame-de-Grâce, Montréal
Bibliographic record
Abstract
"L’objet de cette étude avait pour but d’identifier les zones où les infrastructures sociales sont insuffisantes (i.e., zones désertiques d’infrastructure sociale) dans le voisinage de Notre-Dame-de-Grâce (NDG) à Montréal en utilisant l’analyse géospatiale avec les sources de données publiques. Toutefois, les limites de cette méthode sont rapidement apparues. Bien que l’analyse géospatiale puisse révéler les manques d’infrastructure matérielle, elle ne renseigne pas sur le niveau et la qualité de l’infrastructure sociale intrinsèque. Ce sont pourtant ces caractéristiques immatérielles qui rendent l’infrastructure sociale précieuse pour la communauté. Face à ce constat, la recherche a été élargie pour inclure une analyse plus détaillée du travail du Conseil communautaire NDG, la Table de quartier de NDG, dont les actions renforcent les connexions locales qui font fonctionner l’infrastructure sociale dans le quartier. Ensemble, ces deux approches — la cartographie géospatiale et l’analyse du rôle du milieu communautaire — offrent un portrait plus précis du niveau d’infrastructure sociale ainsi que de sa qualité et de sa valorisation à l’échelle locale. En tant qu’entité à la fois dépendante de l’infrastructure sociale du quartier et fournisseur de celle-ci, le Conseil communautaire NDG est au cœur des préoccupations des résidents et le plus à même de savoir ce qu’il leur convient. En conclusion, les résultats de cette étude montrent que s’il existe, à NDG, des zones où les résidents n’ont pas accès à certains types d’infrastructures sociales, c’est après analyse des besoins locaux. En résumé, les outils géospatiaux offrent un éclairage précieux sur la répartition spatiale des équipements ; ils doivent cependant être combinés à une connaissance locale et ancrée sur le terrain pour refléter une vision cohérente de l’infrastructure sociale sur le terrain. "@fre
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 | 0.002 | 0.004 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.014 | 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".