Urbanism under Google: lessons from Sidewalk Toronto
Notice bibliographique
Résumé
Cities around the world are rapidly adopting digital technologies, data analytics, and the trappings of “smart” infrastructure. No company is more ambitious about exploring data flows and seeking to dominate networks of information than Google. In October 2017, Google affiliate Sidewalk Labs embarked on its first prototype smart city in Toronto, Canada, planning a new kind of data-driven urban environment: “the world’s first neighborhood built from the internet up.” Although the vision is for an urban district foregrounding progressive ideals of inclusivity, for the crucial first 18 months of the venture, many of the most consequential features of the project were hidden from view and unavailable for serious scrutiny. The players defied public accountability on questions about data collection and surveillance, governance, privacy, competition, and procurement. Even more basic questions about the use of public space went unanswered: privatized services, land ownership, infrastructure deployment and, in all cases, the question of who is in control. What was hidden in this first stage, and what was revealed, suggest that the imagined smart city may be incompatible with democratic processes, sustained public governance, and the public interest. This article analyzes the Sidewalk project in Toronto as it took shape in its first phase, prior to the release of the Master Innovation and Development Plan, exploring three major governance challenges posed by the imagined “city of the future”: privatization, platformization, and domination. The significance of this case study applies well beyond Toronto. Google and related companies are modeling future business growth embedded in cities and using projects like the one in Toronto as test beds. What happens in Toronto is designed to be replicated. We conclude with some lessons, highlighting the precarity of civic stewardship and public accountability when cities are confronted with tantalizing visions of privatized urban innovation.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,030 | 0,017 |
| Communication savante | 0,011 | 0,004 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».