The Smart Cities Approach: The Opportunity and Possibility of Data Driven Communities
Notice bibliographique
Résumé
The purpose of this research is to identify the implications of data collection and use of data in the smart cities approach to provide recommendations to mitigate the challenges or reduce the risks associated with these practices. The primary research question is: What are the implications of data collection and the use of data in smart cities and how does this affect citizens, businesses, and civil society as a whole? The secondary research questions are: 1.) What government tools and approaches can Canada learn from other countries when it comes to data collection and the use of data in smart cities? 2.) How do privacy policies affect smart cities data collection and the use of data? 3.) What are the benefits and problems of data collection and the use of data that the government needs to be aware of when implementing the smart city approach? There are many strengths, weaknesses, opportunities, and threats to the implication of data collection and use of data in the smart cities approach. The strengths of collecting and using data in the smart cities approach are to increase efficiency, provide better services for residents, and increase innovation. The weaknesses and challenges are data biases, privacy issues, slow regulation/law development, and limited resource to implement data-driven communities. The opportunities are the implementation of “smart governance,” increase efficiency in government services for the public and create better public policies by using the data collected. The significant threats municipalities need to address are cyber-attacks, data breaching, data ownership, and data sovereignty.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,082 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,033 |
| Communication savante | 0,025 | 0,051 |
| Science ouverte | 0,005 | 0,038 |
| Intégrité de la recherche | 0,008 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».