Demographic and dwelling models by artificial intelligence: urban renewal opportunities in Spanish coast
Notice bibliographique
Résumé
the Spanish Mediterranean coast has undergone intense urban development in recent decades. It has often focused on building a property patrimony based more on real estate, business expectations and consuming resources than on its actual use. Similarly, its functionality and need to adapt to social needs and the requirements of the certain demographic profiles of its time have largely been ignored. the purpose of this study is to shed light on the Spanish Mediterranean coast's existing residential models and the relationship with the local demographic reality of users. Its aim is to be part of a Decision Support System which focuses on urban regeneration and functional recovery. this study uses heuristic methodologies to demonstrate the coherence of an abundance of open access data. Such methodologies do not necessarily require specific hypotheses or formulations to generate useful knowledge. the 2011 Population and Housing Census (INE) is used as a knowledge source, on which data mining techniques based on Artificial Intelligence techniques are applied. We specifically use Self-Organising Maps (SOM) through Artificial Neural Networks (ANN), subsequently mapping the results through a Geographic Information System (GIS). these techniques permit an exploration of the different residential profiles in this territory. Each profile exposes very different levels of sustainability and resilience, identifying the groups or social collectives that singularly inhabit them, which are at times authentic drivers of the maintenance and growth of these models. to the extent that they are linked to demographic profiles, the knowledge obtained in this study is evidence of the different residential profiles' territorial location, and highlights the opportunities and weaknesses of urban regeneration.
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 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».