Okos valóság Magyarországon? Okos programok megvalósításának esélyei Miskolcon és a magyar–szlovák határ menti térségben
Bibliographic record
Abstract
A hazai városok „smart city”-vé alakulásának támogatása a kormányzat kiemelt célja, és ezzel összehangban több hazai város is zászlajára tűzte az okosvárosprogramot. A cél elérése érdekében az elmúlt években számos település kapcsolódott nemzetközi együttműködésekhez, egyrészt a programhoz szükséges hazai forrás hiánya miatt, másrészt a nemzetközi jó gyakorlatok megismerése és alkalmazása céljából. Elsősorban a megyei jogú városok és a fővárosi kerületek indítottak ilyen tevékenységeket, de vajon csak a nagyvárosok kiváltsága a „smart”-ság? Kutatásunk egyik célja annak a hipotézisnek az alátámasztása, hogy az „okosság” a vidéki, elmaradott kistelepülések esetében is értelmezhető. Igaz, más megközelítés és módszertan alkalmazásával. Fentiek illusztrálására két nemzetközi kutatási projekt eddigi tapasztalatait vizsgáljuk: az országban egyedülálló Horizont 2020-as projektet, amely egy hazai nagyváros részvételével zajlik; valamint egy alapvetően más koncepcióval megvalósuló projektet, amely a határ menti, hátrányos helyzetű kistelepülések összefogására épül. Az esettanulmányok segítségével igyekszünk választ kapni arra, hogy a smart programok megvalósulásának – különböző típusú települések esetében – milyen realitása van hazánkban. A téma aktualitása a következő (2021–2027) európai uniós programozási időszak tervezésekor kiemelkedő lesz, mivel a megfogalmazott tanulságok, tapasztalatok a szakpolitika számára fontos kiindulási alapot jelenthetnek.
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 imitationNot 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.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 0.021 |
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; both teacher heads agree on what is shown here.
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".