Bibliographic record
Abstract
La città sotterranea è un elemento fondamentale nella struttura urbana. Soprattutto nelle grandi città essa assume connotazioni rilevanti nella pianificazione urbana in considerazione del fatto che rappresenta una risorsa e il suo impiego può incidere significativamente sull’efficienza del sistema urbano. Alcune città, a causa soprattutto della rigidità del clima, hanno progettato città sotterranee di grande complessità funzionale; esempi significativi sono Montreal, Toronto e altre città del Nord America. In Europa occidentale le realizzazioni associabili al concetto di città sotterranea sono più limitate e sono relative soprattutto alla realizzazione di infrastrutture per la mobilità urbana, come le reti metropolitane, i passanti ferroviari, i tunnel stradali e i parcheggi sotterranei. La funzione primaria di questi spazi è la riduzione e lo spostamento dalla superficie di quote di traffico e la trasformazione di ampie parti della città in aree verdi o in aree a maggiore qualità ambientale. In ogni modo è possibile sostenere che l’uso degli spazi sotterranei è ormai entrato a far parte della vita delle città moderne. L’articolo analizza alcuni dei fattori principali nella costruzione di questi spazi urbani; i costi e i benefici dell’uso di spazi sotterranei sono messi in relazione con gli aspetti psicologici e con la costruzione di modelli per la previsione dei percorsi degli utenti. La seconda parte dell’articolo mostra alcuni casi studio evidenziando le diverse necessità che hanno spinto e hanno guidato verso la scelta degli spazi sotterranei; una analisi più dettagliata è svolta sul caso di Montreal, che può essere considerato archetipo della citta sotterranea.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.035 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".