Digital Technology Use and Future Expectations
Notice bibliographique
Résumé
Problem, research strategy, and findings The implications of digital technologies for planning practice are receiving renewed interest in the wake of ever-improving capabilities in Big Data and artificial intelligence, as well as the rapid uptake of new technologies that allowed planners to work remotely during the COVID-19 pandemic. Despite this interest, there has been little cross-country comparative research regarding the adoption of technology within the planning profession and even less that addresses planners’ expectations and desires for future digital tools. We undertook a multinational online survey of planners in the United States, Canada, the United Kingdom, Australia, and New Zealand to gain a comprehensive understanding of current and expected future use of data and software in planning practice. Although the current use of data-intensive digital tools was limited, we found widespread expectations of change across the planning profession. Remarkable similarities were observed across the countries surveyed. The biggest differences in tech use were among planners undertaking strategic, specialist, and regulatory roles.Takeaway for practice Planning organizations around the world should prepare for a new wave of digital change as many technical obstacles that previously hindered the rapid exchange and analysis of vast amounts of data have now been overcome. Continued development of digital skills among planners is important but should be paired with career pathways for digital specialists within the profession. Planners should not complacently assume that adopting digital technologies will automatically lead to more effective and equitable planning outcomes. They should use digital processes to actively address biases in the underlying planning system.
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 | 0,000 | 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 ».