Unveiling Urban Emotions: A Review on the Application of Emotional Cartography in Understanding and Planning Public Open Spaces
Bibliographic record
Abstract
La cartographie émotionnelle est un outil qui permet de cartographier l’émotion des gens envers un espace donné. Le présent article en explore l’utilisation pour l’analyse et la planification des espaces publics ouverts (EPO) des régions urbaines. Les organismes sociaux et spatiaux évolutifs que sont les villes dépendent des EPO pour enrichir la qualité de vie. L’étude met en lumière les défis du développement urbain, particulièrement dans les régions en développement, où une croissance incontrôlée a des effets sur les EPO et les niveaux de vie. L’importance des rôles des EPO comme carrefours d’interaction sociale, de conservation environnementale et d’activités de loisirs est soulignée. L’article examine en quoi la cartographie émotionnelle et des concepts comme la topophilie peuvent saisir les perceptions des utilisateurs envers ces espaces et ainsi contribuer à la planification urbaine par la compréhension de la valeur socioenvironnementale des EPO. L’un des volets au cœur du présent article est une analyse bibliométrique approfondie, qui cartographie le paysage théorique entourant la cartographie émotionnelle. La présente analyse révèle les méthodes utilisées en cartographie émotionnelle, y compris le sociofinancement, les biocapteurs et les réseaux sociaux, et décèle une lacune importante de la recherche sur les cartes émotionnelles pour l’analyse subjective en population, particulièrement dans les nations en développement. L’article prône la cartographie émotionnelle comme outil crucial du développement urbain participatif.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".