Evolusi Riset Kota Cerdas dan Partisipasi Masyarakat dalam Proses Perencanaan: Sebuah Analisis Bibliometrik Literatur Global
Bibliographic record
Abstract
Konsep kota cerdas telah menjadi narasi dominan dalam rencana pembangunan perkotaan dan muncul sebagai sebuah visi yang menjanjikan. Hal ini berimplikasi terhadap meningkatnya perhatian akademis terhadap kota cerdas yang partisipatif dari berbagai disiplin ilmu, namun hingga saat ini masih terdapat keterbatasan dalam analisis komprehensif yang menyatukan berbagai aliran penelitian ini menjadi sebuah peta yang koheren. Persilangan antara kota cerdas, partisipasi masyarakat, dan kepemerintahan merupakan bidang penelitian interdisipliner yang menunjukkan pertumbuhan eksponensial sejak tahun 2016, meskipun baru muncul secara signifikan pada tahun 2009. Penelitian ini menerapkan analisis bibliometrik terhadap 95 dokumen ilmiah yang relevan untuk memetakan lanskap penelitian secara sistematis, menggunakan analisis co-authorship, co-citation, dan co-occurrence kata kunci. Hasil analisis menunjukkan adanya dominasi kontributor dari Amerika Serikat dan Inggris dengan klaster kolaborasi peneliti yang sangat kohesif berasal dari Amerika Serikat, sementara di sisi lain teridentifikasi adanya peneliti berpengaruh yang sangat produktif secara mandiri, yang menunjukkan bahwa produktivitas tidak selalu berkorelasi dengan intensitas kolaborasi. Penelitian ini terpetakan ke dalam tiga klaster yang dominan, dengan “smart city”, “decision making”, dan “citizen engagement” berperan sebagai jembatan konseptual. Realisasi kota cerdas yang sesungguhnya menuntut sintesis dari ketiga pilar ini, dan untuk mendukungnya, riset mendatang disarankan untuk melampaui keterbatasan studi ini dengan mengadopsi pendekatan multi-database.
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 | 0.008 | 0.030 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.015 | 0.035 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.018 | 0.010 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.004 |
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".