Evaluating Narrative in Geoportals for Territorial Public Policies
Bibliographic record
Abstract
La planification territoriale demande que nous disposions de plusieurs cartes faisant référence aux différentes couches d’information nécessaires pour représenter le territoire en fonction d’un grand nombre de variables. Au Portugal, à l’échelon municipal, le Plan directeur municipal (PDM – plano diretor municipal) est l’outil de gestion qui fonde la planification et l’organisation à long terme du territoire. Puisque le PDM impose des contraintes à la population, celle-ci devrait pouvoir y accéder et l’interpréter facilement. Pourtant, à cause de l’énorme quantité d’information qu’il contient, les gens ont souvent du mal à comprendre son contenu, présenté uniquement sous la forme d’éléments cartographiques statiques. La comparaison de 60 sites web offrant des renseignements géographiques à un vaste public a permis de constater que les données sont plus engageantes quand elles s’accompagnent d’éléments narratifs, visuels et interactifs et qu’elles sont présentées en portions variables, avec l’information nécessaire pour les partitionner, y naviguer ou y faire des recherches. Cette flexibilité est particulièrement importante dans les grands ensembles de données, dont la compréhension et l’analyse adéquates exigent un niveau décroissant de complexité. Nous avons constaté que les géoportails consacrés aux politiques publiques en matière de territoire souffraient d’un manque d’éléments narratifs et que ceux-ci en amélioreraient la compréhension. Puisqu’il est difficile pour le grand public de comprendre la stratégie que la municipalité cherche à implanter, la participation citoyenne, bien que possible, ne produira pas les résultats escomptés.
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 | 0.016 | 0.122 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.019 | 0.017 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.038 | 0.003 |
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".