MétaCan
Menu
Retour à la cohorte
Enregistrement W7054984708

Assessing physical and digital participatory model making in urban design

2015· dissertation· en· W7054984708 sur OpenAlexfundaboutno aff

Notice bibliographique

RevueeScholarship@McGill (McGill) · 2015
Typedissertation
Langueen
DomaineEngineering
ThématiqueLaser Design and Applications
Établissements canadiensnon disponible
Organismes subventionnairesMcGill University
Mots-clésParticipatory designCitizen journalismNeighbourhood (mathematics)Process (computing)Urban designUrban planningSet (abstract data type)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Participatory model making, a tool that allows participants to explore and discuss urban design through the 3D interactive medium of building and modifying an urban design model, is currently underutilized as a participatory urban design tool, despite evidence in the literature that supports its potential. This study assessed participatory model making by holding model making sessions with neighbourhood associations across Vancouver, British Columbia. The participants used either a simple physical (LEGO), or digital (SketchUp) model making tool, that was set up to allow for the easy creation of models to explore the topic of sustainable neighbourhood design. This study found that participant’s ability to engage with the subject matter and discuss amongst each other was substantial when utilizing the model making tools. Furthermore the participants expressed that they strongly preferred using the model making tool to more traditional tools like maps and markers. Although both digital and physical model making tools were effective, the two mediums created a different model making process and group dynamic that is important for consideration when choosing between a digital or physical model making tools. Digital model making encouraged a more focused and controlled scenario while physical model making encouraged more wide open and energetic scenario.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,557
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,066
Tête enseignante GPT0,297
Écart entre enseignants0,231 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
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
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueeScholarship@McGill (McGill)Même sujetLaser Design and ApplicationsTravaux en français237 207