Sàmara: servizio di attivazione e sensibilizzazione della cittadinanza per interventi di greening urbano a Bologna
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
La crescente urbanizzazione ha ridotto gli spazi verdi, con impatti negativi su qualità dell’aria, biodiversità e benessere dei cittadini. Il 2024 è stato l’anno più caldo mai registrato, con un aumento di 1,50°C rispetto all’era preindustriale (Buontempo, 2025). “La soluzione più efficace? Piantare più alberi stradali e togliere progressivamente le strade al traffico per raffreddare le città. I vantaggi di una città ricoperta di piante sono infiniti” (Mancuso, 2024). Diventa quindi essenziale superare l’attuale visione antropocentrica delle città e investire nel capitale naturale (Zanchini, 2024). In questo contesto si inserisce il progetto TALEA_Green Cells Leading the Green Transition (n. progetto EUI02-064 di European Urban Initiative-IA), coordinato dal Comune di Bologna. Questa tesi prende TALEA come riferimento, condividendone l’obiettivo di sviluppare modelli replicabili per promuovere la riforestazione urbana e accelerare la transizione green di Bologna, attraverso misure di mitigazione e adattamento al cambiamento climatico. Sebbene il verde urbano sia noto per i suoi benefici, come la riduzione delle isole di calore e il miglioramento della qualità dell’aria (Konijnendijk et al., 2010), pochi studi integrano riforestazione e design partecipativo. Coinvolgere le comunità locali rende i progetti più sostenibili e accettati (Sanders & Stappers, 2008). La ricerca si concentra sulle aree di Bologna con carenza di verde, promuovendo co-progettazione partecipata per sensibilizzare e mobilitare i cittadini sull’importanza del verde urbano, orientando le azioni a lungo termine.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découle