Digital urban development - How large digital corporations shape the field of urban governance (DIGI-GOV)
Notice bibliographique
Résumé
DIGI-GOV is a research project that aims to understand (I) the role of large digital corporations (LDCs) in digital urbandevelopment, (II) how the presence of LDCs in urban planning practice challenge pre-existing modes urban governance, and (III) how LDC-led urban development constitutes a new relational geography of digital cities. DIGI-GOV is thus a chance to call attention to this critical shift in the ways that contemporary digital cities are constructed, planned, mediated and governed. DIGI-GOV expands on prior research that examined Alphabet Inc.’s digital city project in Toronto that raised a number of important issues forurban planners, development practitioners, and urban studies scholars – even if this particular digital city project was ultimately unsuccessful. DIGI-GOV expands this research because the range of services that LDCs provide has increased in both volume and centrality; more and more public and private institutions rely on LDCs for essential digital infrastructures. There is an urgent need to study the trajectories of urbanization that are rolled out under the leadership of LDCs and the tensions in urban governance that are unleashed. DIGI-GOV will shed light on four further cities in addition to Toronto, which have been challenged by the presence of LDCs—namely, Seattle, Washington D.C, Bissen, and Eemshaven. The selected cities are some of the few exemplary cases available where LDCs have secured their position in the local urban field. Through qualitative methodological approaches, DIGI-GOV will tease out how these cities are relationally connected through LDC-led urban development, and what scholars and practitioners can learn from these experiences. Examined together, one can scratch at the surface of, and unearth, this new emerging relational geography.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
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.
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 tête enseignante, 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 ».