La partecipazione digitale alla governance urbana attraverso i mapping collaborativi: approcci metodologici ed esempi
Bibliographic record
Abstract
APPROCCI METODOLOGICI ED ESEMPI1. Partecipazione digitale e mapping collaborativi.-La cartografia utilizzata per progetti e finalit di diversa natura, dalla pianificazione, al controllo e censimento, ma dal nuovo millennio e in virt delle sue capacit persuasive e comunicative, essa ha acquisito il ruolo di strumento in grado di contribuire alla conoscenza delle poste in gioco e dei significati sociali del territorio, alla realizzazione della governance e quindi alla presa di decisione concertata (Burini, 2016).Questo stato possibile soprattutto sfruttando lo sviluppo e la crescita delle Tecnologie dell'Informazione Geografica (TIG), ossia l'insieme dei metodi e delle tecniche di trasmissione, trattamento, conversione e rielaborazione di informazioni per l'acquisizione e la gestione di dati geografici in forma digitale.Il principale ambito di produzione dei dati digitali prodotti dagli abitanti anche attraverso la cartografia l'urbano.Infatti, la complessit dell'urbano necessita di nuove fonti di rilevamento per essere indagata e compresa.Jacques Lvy, che da anni riflette sulle citt milionarie, individua nell'urbanit, ovvero nella qualit urbana di un dato spazio, l'aspetto da indagare nelle sue declinazioni di diversit e densit (Lvy, 1994).In particolare, l'urbanit pu essere indagata mediante un'analisi a priori e a posteriori (Lussault, 2003, pp.966-967): la prima stabilisce il grado potenziale di performance funzionale ed misurabile da indicatori di densit e diversit di edifici, infrastrutture, abitanti, attivit commerciali, e altro; l'analisi a posteriori permette di misurare l'attualizzazione di tale potenzialit analizzando nello spazio e nel tempo le pratiche e le azioni che si realizzano.Quest'ultima analisi sta diventando sempre pi rilevante nell'ambito della mobilit, della pianificazione urbana e potrebbe portare a misurare lo scarto tra infrastrutture presenti e bisogni degli abitanti (Beaude, 2015, pp.283-285).In tal senso, i Big Geo-Data diventano una nuova fonte per affrontare la misurazione dell'urbanit a posteriori: il monitoraggio della citt in tempo reale permette di conoscere e dunque gestire alcuni fenomeni e prendere delle decisioni utili a migliorare la vita degli abitanti, cos come a gestire situazioni di emergenza, in cui gli individui possono partecipare attivamente alla gestione dei soccorsi grazie alla loro conoscenza diretta del territorio.Non solamente le metropoli, ma anche le medio-piccole citt, stanno investendo nelle infrastrutture digitali necessarie per ottenere una diffusione sempre pi alta di internet ad alta velocit (anche mediante hot-spot wi-fi) e un sistema di sensori che raccoglie dati relativi ai diversi settori della pianificazione urbana (traffico urbano, inquinamento,
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.003 |
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; both teacher heads agree on what is shown here.
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".