MétaCan
Menu
Retour à la cohorte
Enregistrement W1556115088 · doi:10.15353/joci.v11i1.2846

Analysing Urban Community Informatics from a Resilience Perspective

2014· article· en· W1556115088 sur OpenAlexvenueno aff
Richard Heeks, Angelica V. Ospina

Notice bibliographique

RevueThe Journal of Community Informatics · 2014
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInnovative Approaches in Technology and Social Development
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésResilience (materials science)Psychological interventionCommunity resiliencePerspective (graphical)Set (abstract data type)InformaticsComputer scienceInformation and Communications TechnologyKnowledge managementSociologyManagement scienceEngineering ethicsPolitical sciencePsychologyEngineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The concept of resilience – the capacity to cope with, adjust to and potentially transform amid change and uncertainty – is of increasing interest and activity within community development. It therefore presents a new lens that may be used to understand and guide community informatics. Yet resilience is a concept that has often been well-understood but poorly-applied or, when applied, has been poorly-understood. The purpose of this paper is therefore to develop a well-conceptualised model of resilience that can be applied in both community informatics research and practice. The model presented here sees communities as systems and resilience as a set of foundational and enabling system sub-properties. It is used as the basis for analysing ICT interventions in urban communities; showing how ICTs largely strengthen community resilience but may also weaken some aspects. The paper demonstrates the viability of the developed resilience model to both understand and evaluate community informatics interventions, and it argues that this provides a broader and deeper understanding of those interventions than other perspectives can offer. Further practical application of the model is, however, required.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,070
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,001
Communication savante0,0000,002
Science ouverte0,0020,001
Intégrité de la recherche0,0000,003
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,031
Tête enseignante GPT0,261
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Community InformaticsMême sujetInnovative Approaches in Technology and Social DevelopmentTravaux en français237 207