Bibliographic record
Abstract
El uso de plataformas tecnologicas como Uber y Airbnb esta transformando las Las autoridades locales deben pensar en soluciones regulatorias para poner la tecnologia al servicio de urbes vibrantes y vivibles para todos. A lo largo de la historia los avances tecnologicos han ido moldeando las capacidad de disenar y construir sistemas de canalizacion de agua y saneamiento permitieron el desarrollo de Roma. tecnologia defensiva favorecio el desarrollo economico en el interior de las ciudades medievales y, mas recientemente, el coche revoluciono la dinamica urbana a lo largo del mundo. La nueva frontera en la transformacion de la ciudad parece tambien ligada a la explosion tecnologica de los ultimos anos. En un intento de imaginar este futuro, el consejo de asesores en ciencia y tecnologia del presidente Barack Obama publico en 2016 un informe titulado La tecnologia y el futuro de las ciudades. Entre los ejercicios de prediccion futurista, el que mas tiron ha tenido es el que imagina urbes donde miles de sensores recogen y analizan datos en tiempo real, conectando la toma de decisiones y mejorando la vida de los ciudadanos. Ciudades inteligentes o smart cities como la que Alphabet -matriz de Google- esta desarrollando en Toronto a traves de su otra filial, Sidewalk Labs. Esta utopia - o distopia, segun se mire- aun no se ha materializado, pero el gran desarrollo del ambito digital en los ultimos anos ya esta generando impactos tangibles en el espacio fisico y las condiciones socioeconomicas de las transformacion esta conectada al surgimiento de plataformas digitales como Uber o Airbnb, que estan revolucionando aspectos urbanos clave como la movilidad o la vivienda. Un proceso de transformacion urbana distinto, y muchas veces eclipsado por el entusiasmo que ha provocado la idea de las ciudades inteligentes, pero con efectos tan reales y ya presentes que merece la pena detenerse a analizar. Historia de una paradoja Si las ciudades surgieron por los beneficios que genera la proximidad, uno podria pensar que las plataformas tecnologicas -que eliminan la necesidad de la cercania fisica para comprar y vender un bien o para prestar y disfrutar de un servicio- iban a reducir la importancia de las No ha sido asi. Los economistas explican las ciudades basandose en el concepto de aglomeracion. proximidad y la densidad reducen los costes de transaccion, favoreciendo el intercambio de ideas, permitiendo el acceso a bienes y servicios, y mejorando la productividad de trabajadores y empresas. Por eso, ante la expansion de las tecnologias de la informacion y la comunicacion (TIC) hace algunas decadas, muchos predijeron que la importancia de las ciudades decaeria. Las profecias no se cumplieron, entre otras cosas, porque las interacciones cara a cara son muchas veces complementarias, y no sustitutivas, de los intercambios y las gestiones que se hacen en linea, como ya argumentaran Jess Gaspar y Edward Glaeser en 1996. Tampoco los servicios -turisticos o cotidianos- que provee la ciudad se encuentran facilmente en entornos rurales. Con la aparicion de las plataformas digitales ha ocurrido algo similar. Por plataformas nos referimos a los mercados virtuales que conectan a individuos para comerciar con bienes y servicios a traves de herramientas digitales, tambien conocidas como plataformas peer to peer o P2P, segun han descrito Aqib Aslam y Alpa Shah en 2017. En este punto conviene distinguir entre los terminos plataformas digitales y economia colaborativa, que se solapan pero no son identicos. Aunque algunas plataformas cualifican como economia colaborativa (Airbnb), hay muchas otras iniciativas de economia colaborativa que no son plataformas (Zipcar). Al mismo tiempo, hay plataformas como Amazon que no pueden calificarse como empresas de economia colaborativa, pero constituyen claramente mercados virtuales. De acuerdo con el informe de 2017 del Foro Economico Mundial, las empresas que operan plataformas P2P tenian un valor de mercado de 4,3 billones de dolares y empleaban directamente a 1,3 millones de personas en 2016. Estas cifras se han alcanzado en muy pocos anos, y todo apunta a que la tendencia seguira siendo de crecimiento exponencial. ?Sustituiran estos mercados virtuales a los mercados fisicos, reduciendo en el proceso la necesidad de vivir en urbes y vaciando por tanto las ciudades? respuesta, casi con total seguridad, es no.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.031 | 0.007 |
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".