Advancing translational human dynamics research: bridging space, mind, and computational urban science in the era of GeoAI
Notice bibliographique
Résumé
Abstract Human dynamics research has undergone a significant transformation over the past decade, driven by interdisciplinary collaboration and technological innovation. This opinion paper examines the evolution of the field in the past ten years, focusing on its integration of GIScience (Geographic Information Science), social science, and public health to tackle spatial and societal challenges such as urban sustainability, disaster response, and epidemics. Key advancements include the adoption of living structure theory, which redefines space as a dynamic and interconnected entity linked to human well-being and ecological sustainability, and the application of cutting-edge technologies like GeoAI (Geospatial Artificial Intelligence) and digital twins for adaptive modeling and informed decision-making. Despite these advancements, challenges persist, including incomplete data, mismatched scales, and barriers to equitable access to geospatial information. Addressing these issues necessitates innovative approaches such as multiscale modeling, open data platforms, and inclusive methodologies. Increased funding opportunities offer pathways for accelerating translational research. By integrating advanced theories, user-centered technologies, and collaborative frameworks, human dynamics research is poised to transform urban systems into sustainable, resilient, and equitable environments. This paradigm shift underscores the importance of ethical considerations and inclusivity, offering a holistic approach that aligns with human and ecological needs.
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 | 0,025 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,024 |
| Communication savante | 0,010 | 0,013 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».