MétaCan
Menu
Retour à la cohorte
Enregistrement W6893855058 · doi:10.5281/zenodo.4777779

Hackathons for inclusive urban planning: Exploring divergence to co -create convergence

2021· article· en· W6893855058 sur OpenAlexaff

Notice bibliographique

RevueSocio-Environmental Systems Modeling · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueBiomedical and Engineering Education
Établissements canadiensUniversity of Winnipeg
Organismes subventionnairesnon disponible
Mots-clésDivergence (linguistics)Urban planningSet (abstract data type)Convergence (economics)Inclusion (mineral)Element (criminal law)Focus (optics)Key (lock)

Résumé

récupéré en direct d'OpenAlex

The VIVA-PLAN project (www.viva-plan.eu) aims to contribute to inclusive urban green planning through developing a new sustainable spatial planning framework for promoting biodiversity, social inclusion and human well-being. The project has a specific focus on marginalized groups such as young people and immigrants. A key element in the VIVA-PLAN case-study approach is the use of two hackathons in each of the case-study areas Urbanplanen (Copenhagen) and Ronna (Södertälje). Traditionally, a hackathon is a multi-day event in which a diverse set of experts and stakeholders is brought together to develop initial solutions to complex problems. Within VIVA-PLAN, the hackathon approach is used to collaboratively find solutions for complex issues related to spatial urban planning at a local scale. The VIVA-PLAN hackathons are embedded within the wider VIVA-PLAN multi-methods approach, featuring a diverse array of social science methods to elucidate local practices related to urban green spaces, including ethnographic investigations, socio-ecological value mapping, interviews and focus-groups and ecological mapping. This document describes the VIVA-PLAN hackathon approach and how the two hackathons are implemented in each of the case-study areas.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,082

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,016
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0100,025
Communication savante0,0160,017
Science ouverte0,0030,034
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0240,002

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,249
Écart entre enseignants0,211 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSocio-Environmental Systems ModelingMême sujetBiomedical and Engineering EducationTravaux en français237 207