Harnessing the environment for socio-ecological encounters and knowledge spillovers: Lessons from the Greater one-north (GO) Creative city design explorations
Notice bibliographique
Résumé
Knowledge cities may be understood as cities that rely primarily on the global knowledge economy such that they attract the creative class in our globalized world. Examples include but are not limited to New York City and San Francisco. As East Asia undergoes rapid urbanisation, more cities, e.g., Shenzhen, are modelled to capture the economic benefits of ‘knowledge spillovers’ (Henderson, 2007). The Knowledge Spillover Theory suggests that innovation is concentrated in some quarters of the city because of informal social exchanges across co-located industries. Business incubators are often introduced to accelerate these processes. For instance, Launchpad@One-north, Singapore, is surrounded by media corporations, a university, a business park, mass transit, and nature areas. The Greater One-north area required spatial planning as more intensive developments were expected to serve future housing along the southern waterfront. Action research-by-design was employed to examine the economy-ecology outcomes from scenarios of varying densities. In this paper, we identify two types of economy-ecology synergies that may be achieved by careful spatial design for socio-ecological encounters. Four scenarios with different orientations toward the economy-ecology dichotomy illustrate these to varying degree. Overall, a high-quality environment is synergistic. Simultaneously centring humans and nature may attract talent and accelerate innovation in knowledge cities.
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 | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,012 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».