MétaCan
Menu
Retour à la cohorte
Enregistrement W4312680579 · doi:10.5020/2317-2150.2022.14127

Legal narratives of smart cities: opacity, intelligibility, and compliancy in projects, norms, and futures

2022· article· en· W4312680579 sur OpenAlexaffabout
Cristiano de Souza Therrien

Notice bibliographique

RevuePensar - Revista de Ciências Jurídicas · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLegal and Policy Issues
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésNarrativeNormativeLegislationSociologyTransparency (behavior)Political scienceLawPublic relationsLaw and economics

Résumé

récupéré en direct d'OpenAlex

The study focuses on narratives and legal components that form the legal imaginary of smart city projects. This imaginary consists of archetypes of Law and Technology called to engage with prototypes of public policies and to (re)build legal stereotypes for smart city projects. After all, smart cities take core normative claims and goals into their code, in both the technological and legal senses of the term. The public storytelling of smart cities and the public policies of Big Data projects in the municipalities of Rio de Janeiro and Montréal are used as case studies, targeting the respective contexts, risks, and legislations. Three axes composed of six variables are applied for the legal analysis in the case studies: opacity (privacy and security), intelligibility (transparency and participation), and compliance (accountability and governance). Such components are central for the contextualization of technological issues of smart cities under a narrative that is more accessible by law, the identification of specific concerns that present social risks to the rule of law, and the justification of measures required by legislation to protect fundamental rights. Brazilian and Canadian legislative references are used as hypothetical exercises on the legal frameworks related to the in-house Big Data projects. Normative sources and elements for further research can be found in each analysis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,828
Score d'incertitude au seuil0,990

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,347
Écart entre enseignants0,299 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePensar - Revista de Ciências JurídicasMême sujetLegal and Policy IssuesTravaux en français237 207