MétaCan
Menu
Retour à la cohorte
Enregistrement W2724616130 · doi:10.24306/plnxt.2017.04.006

Delving deeper

2017· article· en· W2724616130 sur OpenAlexaffabout

Notice bibliographique

RevueplaNext - Next Generation Planning · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueSmart Cities and Technologies
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésCityscapeAgency (philosophy)Public spaceArchitectural engineeringMetropolitan areaDemocracySmart citySpace (punctuation)SociologyRegional sciencePolitical scienceComputer scienceEngineeringGeographySocial scienceComputer security

Résumé

récupéré en direct d'OpenAlex

Urban technologies are increasingly designed to support ubiquitous computing, which now includes different forms of digitally-augmented interactions in public space. This shift is underpinned by the development and management of digital infrastructures in metropolitan cities – a paradigm often rhetorically dubbed ‘smart cities’. Because the cityscape is uneven and characterized by diversity, this reconfiguration could be seen as a welcome opportunity to renegotiate the issue of agency in relation to the new technologies embedded in the built environment. Since the Urban Screen project was launched in 2005, digital art installations commissioned for public space have offered propitious terrain for rethinking this issue. Developing appropriate research methodologies, which could better support democratic practices within the infrastructural approach to urban technology design still stands out as pressing and necessary to facilitate the engagement of all concerned. This essay argues in favour of multidimensional approaches over unidimensional ones. To ground this discussion, it first describes the results of a unidimensional study carried out in 2015 in Montréal’s Quartier des Spectacles and then highlights some of the salient differences it presents with a multi-sited field study conducted on the same site from 2012-15. It finally concludes that a multidimensional approach seems more robust.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,493
Score d'incertitude au seuil0,568

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,088
Tête enseignante GPT0,256
Écart entre enseignants0,168 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations0
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueplaNext - Next Generation PlanningMême sujetSmart Cities and TechnologiesTravaux en français237 207