Geospatial Mapping: Spatialising habitus in the studies of psychogeography lived experience
Notice bibliographique
Résumé
A virtual experience platform as a service (PAAS) This workshop explores a hands-on systemic model-builder approach through users’ engagement and participation in developing a cross-collaborative platform celebrating users’ differences. The session engages participants in user-centred design research and urban analytics featuring enhanced integration of geoscience, machine learning and automated sensors in making efficient urban systems. Activities include presenting the App, using it to capture emotions, and visualising the results through infographics, data analytics for geospatial assessments and discussions to help understand how intangible data can support urban planning. Capture activities are deployed into the cloud and visualised on dashboards and other forms of interactive infographics. Participants are encouraged to explore all intangible emotion buttons and tangible point captures. Participants contribute to the cloud-based geo-info-hub that houses the collective effort; however, the data capture is anonymous, revealing only the location and feedback provided (no other user information is collected). A smartphone and QR code are used to download the Geo Emotions application (the App). Participants select an area of interest, indoor or outdoor, and spend 30 minutes experiencing and recording their emotions. This is a transdisciplinary, cross-cultural and transgenerational initiative that weaves similarities and contradictions to emerge novel ideas in systemic design.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».