Scienza e cittadini: Il progetto "Cluster Biodiversità Italia"
Bibliographic record
Abstract
Scienza e cittadini: Il progetto “Cluster Biodiversità Italia” - Light Talk Speaker: Alessandra Flore (CESAB), Antonio Riontino (UNIBA) Authors: Alessandra Flore (CESAB), Antonio Riontino (UNIBA), Salvatore Coco (UNIPV), Rosalinda Testa (AMP Punta Campanella), Caterina Iacono (AMP Regno di Nettuno), Caterina Matarese (AMP Regno di Nettuno), Carmelo Allegra (MUMA) Il Cluster Biodiversità Italia (CBI) è un network democratico e volontario che unisce enti scientifici e associazioni naturalistiche per promuovere la tutela degli ambienti naturali e la Citizen Science. Dal 2019 il CBI, tra varie iniziative di divulgazione scientifica, coordina la City Nature Challenge (CNC), una competizione internazionale che coinvolge i cittadini nella documentazione della biodiversità urbana ed extraurbana, sia marina che terrestre, estesa a parchi, riserve naturali e zone costiere. L'approccio in stile bioblitz dell'iniziativa si basa su piattaforme digitali come iNaturalist e Natusfera, che consentono di geolocalizzare le osservazioni e identificare le specie grazie a una community web attiva. La metodologia inclusiva ha permesso la partecipazione di un pubblico diversificato: volontari, studenti, categorie protette, appassionati, fotografi naturalisti e famiglie. Questo ha portato a risultati significativi: in sei edizioni sono state raccolte 31.630 osservazioni da più di 600 profili attivi, documentando oltre 3.600 specie. Un quadro, seppur non esaustivo, della ricchezza e abbondanza di specie nel contesto urbano, da Nord a Sud comprese le Isole. L'impatto del progetto è multiforme: ha migliorato in alcune aree la gestione del verde urbano, sensibilizzato gli amministratori locali e fornito dati preziosi alla ricerca scientifica sulla presenza di specie rare e minacciate. Gli obiettivi futuri del CBI comprendono l'ampliamento della rete di città partecipanti, l'implementazione di nuove tecnologie per ottimizzare la raccolta e l'analisi dei dati, e un maggior coinvolgimento di scuole e comunità locali. Il progetto dimostra come l'integrazione tra ricerca scientifica, divulgazione e partecipazione pubblica possa efficacemente contribuire alla tutela della biodiversità nelle aree antropizzate.
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 | 0.004 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.012 | 0.006 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.005 | 0.007 |
| Insufficient payload (model declined to judge) | 0.148 | 0.078 |
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".