Banlieues régénérées : la conception algorithmique par données géospatiales comme démarche architecturale permettant de favoriser un développement écologique des zones suburbaines en Amérique du Nord
Bibliographic record
Abstract
Cet article décrit et évalue la pertinence d’une méthode de conception architecturale : la conception algorithmique par données géospatiales (CADG). Cette méthode est ici proposée comme réponse au problème d’étalement urbain corrélatif au développement immobilier en Amérique du Nord. Les caractéristiques qualitatives, temporelles et organisationnelles de ce développement, telles que décrites par Sanford Kwinter, Daniela Fabricius, Lars Lerup et Rem Koolhaas, permettent de mieux comprendre les causes de l’étalement urbain. L’identification de ces causes ne rend cependant pas plus aisée la mise en place d’interventions architecturales capables de réduire leurs effets. Afin de définir les conditions de telles interventions efficaces, différents outils de conception numérique inhérents à la CADG sont présentés. Deux cas d’étude servent à illustrer leur fonctionnement :Local Code: San Francisco Case Studyde Nicholas de Monchaux etÀ louer : tous les centres commerciaux du boulevard Taschereaupar l’auteur de cet article. L’objectif, à travers cette étude, est de faire valoir la pertinence de la CADG pour optimiser l’utilisation de l’espace urbanisé en tenant compte des phénomènes et dynamiques propres au développement de celui-ci.
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 | 0.006 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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.
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".