Capacitating local governments for the digital earth vision: lessons learnt from the role of municipalities in the South African spatial data infrastructure
Notice bibliographique
Résumé
The Digital Earth vision foresees the availability and accessibility of geospatial information to achieve the goals of sustainable development, economic growth and social well-being. In the case of urban areas, up-to-date geospatial information is essential for managing a city towards achieving these goals. The rapid shift from rural to urban areas globally puts pressure on local governments and they often struggle to find and organise the resources required to collect and maintain geospatial information that can help to address urban growth challenges. A spatial data infrastructure (SDI) can facilitate the availability and accessibility of geospatial information towards addressing national objectives, however, the involvement of local governments in an SDI can be a challenge. In this paper, we critique the role of municipalities against the backdrop of the developments of the South African SDI (SASDI) to date. The critique identifies five high-level shortcomings of the SASDI that have led to the limited participation of municipalities. Based on the shortcomings, we provide recommendations for capacitating municipalities through SASDI so that the Digital Earth vision can also be achieved for municipalities. These recommendations are aimed at involving the local sphere of government in a national SDI and are equally applicable to other countries.
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 | 0,016 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,011 |
| Communication savante | 0,010 | 0,014 |
| Science ouverte | 0,001 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».