The strategies of advanced local spatial data infrastructure for Seoul Metropolitan Government
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The LSDI (Local Spatial Data Infrastructure) of SMG (Seoul Metropolitan Government) began from 1996 and it entered the phase 5 in 2017. So far, the LSDI of SMG has been established by the influence of the NSDI (National Spatial Data Infrastructure) of the MOLIT (Ministry of Land, Infrastructure and Transport), which is a ministry of the central government and the ICT (Information & Communication Technology) plan of SMG. SMG is on the way of transforming to a smart city and IT (Information Technology) and services such as Network, Wi-Fi and Big data are in the world class. Even though the ICT infrastructure is excellent, the maturity of the LSDI of SMG is relatively insufficient. The aim of this study is to develop a strategy of advanced LSDI phase 5 of SMG. More strategic approach is required for the long term success and sustainability of the LSDI. For this purpose, with theoretical background of the LSDI, this study reviewed the cases of the USA and Germany on the LSDI assessment and the cost benefit analysis were reviewed. It was followed by the examination of the characteristics of the US local government where the LSDI developed the most, and York of Canada, a winner region of URISA (Urban and Regional Information Systems Association)’s ESIG (Exemplary Systems in Government). This study reviewed the development history, budget, laws and regulations and imminent issues of the LSDI of SMG. With the above cases and analysis, the study proposed 5 strategies for advanced LSDI of SMG which are human resources, organization, cost benefit analysis of the LSDI, governance and systematic LSDI plan development.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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