Artificial Intelligence in the City: Building Civic Engagement and Public Trust
Notice bibliographique
Résumé
After navigating various challenging policy and regulatory contexts over the years, in different regions, we joined efforts to create a space that offers possibilities for engagement focused on the expertise, experiences and hopes to shape the future of technology in urban areas. The AI in the City project emerged as an opportunity to connect people, organizations, and resources in the networks we built over the last decade of work on research and advocacy in tech policy. Sharing non-Western and Western perspectives from five continents, the contributors questioned, challenged, and envisioned ways public trust and meaningful civic engagement can flourish and persist as data and AI become increasingly pervasive in our lives. This collection of essays brings together a group of multidisciplinary scholars, activists, and practitioners working on a diverse range of initiatives to map strategies going forward. Divided into five parts, the collection brings into focus: 1) Meaningful engagement and public participation; 2) Addressing inequalities and building trust; 3) Public and private boundaries in tech policy; 4) Legal perspectives and mechanisms for accountability; and 5) New directions for local and urban governance. The focus on civil society and academia was deliberate: a way to listen to and learn with people who have dedicated many years to public interest advocacy, governance and policy that represents the interests of their communities.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,031 |
| Communication savante | 0,021 | 0,016 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».