Notice bibliographique
Résumé
Smart city, a social system project, is important for urban development as its goal to transform city into a modern city at the real-life technology and solve local innovation challenges. The transformation is a momentous decision, because while benefits are alluring to users; however, hiding beneath are unseen risks. To discover the dangers coming from our smart city, we ask the following question: What if smart city is harmful by design? A problem which is followed by several concerns about personal data collection and privacy violation can exist in this new form of civilization. If personal data privacy is violated, the trade-off may cost lots of money, reputation and even our lives. This paper explores that most of smart city services are relying on cloud to various levels, raising a concern on security and privacy of citizen due to the effect of cloud issues. Therefore, assessing citizen’s capabilities to engage in resilience practice and proactively improving them, is crucial to mitigate damages by data breach. We propose a Citizen Resilience Assessment (CRA) framework that aims to determine the factors that can potentially affect citizen’s data privacy and hinder them in implementing resilience practice. We design a Scale of Citizen Resilience with Vulnerability Risk indicator to evaluate and utilize the vulnerability risk levels associating to the capabilities of citizen’s resilience practice. To illustrate the practicality and usefulness of the CRA framework, we implement it in case study with Canada and discuss our result.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,007 | 0,010 |
| Science ouverte | 0,001 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».