Advancing translational human dynamics research: bridging space, mind, and computational urban science in the era of GeoAI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle