La inteligencia artificial en la ciudad: construyendo participación cívica y confianza
Bibliographic record
Abstract
Después de navegar por varios contextos políticos y normativos desafiantes a lo largo de los años, en diferentes regiones, unimos esfuerzos para crear un espacio que ofrezca posibilidades de participación centrado en los conocimientos, las experiencias y las esperanzas para dar forma al futuro de la tecnología en las zonas urbanas. El proyecto IA en la Ciudad surgió como una oportunidad para conectar a personas, organizaciones y recursos en las redes que hemos construido a lo largo de la última década de trabajo de investigación e incidencia en la política tecnológica. Compartiendo perspectivas no occidentales y occidentales, quienes participaron cuestionaron, desafiaron y visualizaron formas en que la confianza pública y la participación cívica significativa pueden florecer y persistir a medida que los datos y la IA se vuelven cada vez más omnipresentes en nuestras vidas. El proyecto reunió a un grupo de personas académicas, activistas y profesionales multidisciplinares que trabajan en una amplia gama de iniciativas para mapear estrategias para el futuro. Dividida en cinco partes, la recopilación está estructurada en cinco partes: (i) Participación pública significativa; (ii) Atención de las desigualdades y creación de confianza; (iii) Límites públicos y privados en la política tecnológica; (iv) Perspectivas legales y mecanismos de rendición de cuentas; y (v) Nuevas direcciones para la gobernanza local y urbana. El enfoque en la sociedad civil y el mundo académico fue deliberado: una forma de escuchar y aprender de personas que han dedicado muchos años a la defensa del interés público, la gobernanza y la política que representa los intereses de sus comunidades.
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 | 0.007 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.010 | 0.033 |
| Scholarly communication | 0.022 | 0.005 |
| Open science | 0.002 | 0.010 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.006 | 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".