MétaCan
Menu
Retour à la cohorte
Enregistrement W7161762093 · doi:10.82308/16518

Coded-Engagement: data-driven participation in the smart city

2020· dissertation· en· W7161762093 sur OpenAlexaboutno aff
Matthew Tenney

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineEngineering
ThématiqueSmart Cities and Technologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésUrban environmentPublic spacePublic information

Résumé

récupéré en direct d'OpenAlex

Cette thèse explore les concepts de l'engagement codé en relation avec le rôle de la capacité des citoyens à participer aux villes intelligentes. L'engagement codé est défini comme la perspective du citoyen- capteur dans la ville intelligente, dans un monde où capteurs interconnectés et grandes données sont omniprésents. En raison des difficultés perçues dans l'exploitation de la participation publique et des promesses hyperboliques associées aux villes intelligentes, l'engagement codé est un mode d'engagement entre les gouvernements locaux et les citoyens en développement. Le principal mode d'engagement consiste souvent à recueillir des données à partir des médias sociaux, des caméras ou des citoyens eux-mêmes pour alimenter des méthodes axées sur les données afin que les villes intelligentes puissent offrir des services axés sur les citoyens. L'analyse de la littérature présente la participation du public en tant que pierre angulaire de la démocratie et suit son évolution vers une méthode d'engagement des citoyens axée sur la technologie. La discussion met en lumière la façon dont les pratiques d'engagement du public ont suivi l'intérêt croissant pour l'identification des communautés cibles et l'utilisation de méthodes axées sur la technologie pour attirer des participants plus nombreux et plus représentatifs. Cependant, à mesure que le rôle des technologies du Web 2.0 grandit, la nature et la qualité des acteurs et des données exploitées par ces médias deviennent de plus en plus préoccupantes.Un système de détection de foule a été conçu pour " supprimer la boîte noire " de nombreux algorithmes propriétaires conçus pour capter l'opinion publique à l’aide du contenu généré par les utilisateurs. Une nouvelle approche méthodologique est fournie combinant de multiples attributs des médias sociaux pour identifier les communautés de pratique et d'intérêt dans des contextes géographiques spécifiques. Grâce à l'utilisation de réseaux sociaux spatialement situés, à l'analyse spatio-temporelle et au traitement du langage naturel, des liens inférés pourraient être explorés au moyen d'une plateforme de visualisation 3D dans le but de prendre des décisions éclairées. Deux études de cas sont également fournies sur la ville de Toronto. La première met en contexte le contrôle exercé par l'entreprise sur une collectivité du secteur riverain de Toronto. Cette étude analyse l’implémentation défective d’une collectivité intelligente, où les citoyens pouvaient fournir une rétroaction en temps réel aux dirigeants communautaires au moyen de plates-formes virtuelles, financée par de vastes quantités de ressources publiques. La deuxième étude de cas fournit un contexte plus approfondi des efforts de la ville de Toronto pour devenir une ville intelligente avant-gardiste. Cependant, les mécanismes de gouvernance et de contrôle des intérêts des entreprises privées ont une emprise sur le rôle futur de la participation publique dans la ville intelligente. Il s'agit notamment de la propriété privée de services aux citoyens qui sont alimentés par la collecte des contributions passives du public

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,369
Score d'incertitude au seuil0,432

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,070
Tête enseignante GPT0,298
Écart entre enseignants0,228 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSmart Cities and TechnologiesTravaux en français237 207