Knowledge neighbourhoods e struttura urbana: il contributo della evolutionary economic geography
Bibliographic record
Abstract
La conoscenza e considerata una delle principali fonti di crescita economica a livello nazionale e regionale, ma anche urbano. La geografia economica evolutiva vede tra i suoi obiettivi quello di sviluppare modelli che prendano in considerazione il ruolo della conoscenza e della sua produzione come driver principali della crescita economica e dello sviluppo regionale. L’obiettivo di questo lavoro e stato quello di fornire un quadro generale in grado di spiegare quali siano i contesti urbani piu adatti a generare conoscenza. Il focus dell’analisi sono stati i cosiddetti “knowledge neighbourhoods”, ossia i quartieri della conoscenza. In particolare si sono confrontati quartieri ospitanti imprese che utilizzano – e scambiano – conoscenze di base diverse, le imprese creative e quelle scientifiche. Sono stati quindi riportati i dati relativi ad un’analisi empirica che ha indagato sulla configurazione urbana di quartieri scientifici e creativi in tre grandi citta canadesi: Toronto, Montreal e Vancouver. Il confronto fra questi tipi di imprese ha evidenziato che le caratteristiche dei comportamenti relazionali e dei network utilizzati per lo scambio della conoscenza dipendono sia dal tipo di conoscenza oggetto di scambio, sia dal contesto urbano che ospita le diverse imprese.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.000 |
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".