Putting Canadian passenger rail back on track: A multiple streams framework analysis of high-frequency rail
Bibliographic record
Abstract
Après des décennies de stagnation et de négligence politique, les services ferroviaires canadiens n’ont pas de quoi rendre fier lorsque nous les comparons avec ceux d’autres pays industrialisés. Cependant, le changement semble être à l’horizon avec la mise en œuvre partielle de la proposition du train à grande fréquence (TGF) de VIA Rail dans le corridor Québec-Windsor. Cette étude applique l’approche des courants multiples ([Multiple Streams Framework] MSF) afin d’analyser comment le TGF s’est inscrit à l'agenda du gouvernement.À partir d'entretiens qualitatifs avec 13 répondants, trois observations basées sur le MSF sont confirmées : 1) activité dans les trois volets du cadre d’analyse (problème, politique, politique) qui démontrent leur maturité ; 2) l’importance d’une fenêtre d’opportunité politique qui s'ouvre à la suite de changements dans ces activités politiques ; et 3) la présence d’un entrepreneur politique qui a su articuler les changements dans le flux d’activités à l’intérieur de cette fenêtre d’opportunité.Cette étude souligne l'applicabilité du MSF au contexte des politiques de transport canadiennes, les facteurs qui ont facilité la reconnaissance du TGF parmi la liste des alternatives viables au sein de la communauté politique et l'importance du rôle des entrepreneurs pour l’articulation d'une proposition politique avec des forces politiques favorables à travers diverses juridictions et affiliations partisanes. Cette étude de cas offre également un aperçu critique des travaux existants et de l'état actuel du débat sur les politiques ferroviaires canadiennes, y compris les stratégies et les variables qui ont facilité l'inscription de cette proposition ferroviaire à l'agenda du gouvernement
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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 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".