MétaCan
Menu
Back to cohort
Record W1938849254 · doi:10.4000/vertigo.10874

Naturalité urbaine : l’impact du végétal sur la perception sonore dans les espaces publics

2011· article· fr· W1938849254 on OpenAlexvenueno aff
Solène Marry, Muriel Delabarre

Bibliographic record

VenueVertigO · 2011
Typearticle
Languagefr
FieldHealth Professions
TopicNoise Effects and Management
Canadian institutionsnot available
Fundersnot available
KeywordsHumanitiesPublicsArtPolitical scienceSociologyGeography

Abstract

fetched live from OpenAlex

Du point de vue de la requalification de la ville contemporaine, le sensible peut être considéré comme un opérateur de formes nouvelles d'urbanité et questionne à ce titre les différents modes d'intervention sur la ville. Il s'agit donc de se focaliser sur une logique d'action sur la ville par le sensible. La connaissance fine d’un espace passe par celle de ses ambiances sonores, révélatrices de pratiques individuelles et collectives. Ces ambiances socialisantes (ou a-socialisantes) de l’espace public sont le propre de l’urbanité. Formes spatiales et formes sociales s'y rencontrent. C'est d'ailleurs là que réside l'intérêt de la recherche amorcée : les méthodes développées en faveur de la perception sonore de l’espace public questionnent des dimensions de l'environnement (son, lumière, visibilité, objets saisis au niveau sensoriel et physique), du milieu (interactions, échanges, sociaux) et du paysage (formes saisies au plan esthétique). L’article s’attache à démontrer l’importance de la place de la nature en ville et, plus particulièrement, celle du végétal, comme facteur déterminant dans l’évaluation spatiale mais aussi la perception sonore du lieu à travers trois places grenobloises. De ce fait, la transformation de la connaissance et de la perception sonore des sites expérimentaux choisis émerge conjointement avec l’apparition de nouvelles pratiques et de nouvelles représentations sociales.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.344
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0010.000
Scholarly communication0.0000.001
Open science0.0000.000
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0050.001

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.

Opus teacher head0.040
GPT teacher head0.325
Teacher spread0.284 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designNot applicable
Domainnot available
GenreEmpirical

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".

Quick stats

Citations9
Published2011
Admission routes1
Has abstractyes

Explore more

Same venueVertigOSame topicNoise Effects and ManagementFrench-language works237,207