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 è utilizzata per progetti e finalità di diversa natura, dalla pianificazione, al controllo e censimento, ma dal nuovo millennio e in virtù delle sue capacità 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 è 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 è l'urbano.Infatti, la complessità dell'urbano necessita di nuove fonti di rilevamento per essere indagata e compresa.Jacques Lévy, che da anni riflette sulle città milionarie, individua nell'urbanità, ovvero nella qualità urbana di un dato spazio, l'aspetto da indagare nelle sue declinazioni di diversità e densità (Lévy, 1994).In particolare, l'urbanità può 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 è misurabile da indicatori di densità e diversità di edifici, infrastrutture, abitanti, attività commerciali, e altro; l'analisi a posteriori permette di misurare l'attualizzazione di tale potenzialità analizzando nello spazio e nel tempo le pratiche e le azioni che si realizzano.Quest'ultima analisi sta diventando sempre più rilevante nell'ambito della mobilità, 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'urbanità a posteriori: il monitoraggio della città in tempo reale permette di conoscere e dunque gestire alcuni fenomeni e prendere delle decisioni utili a migliorare la vita degli abitanti, così 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 città, stanno investendo nelle infrastrutture digitali necessarie per ottenere una diffusione sempre più alta di internet ad alta velocità (anche mediante hot-spot wi-fi) e un sistema di sensori che raccoglie dati relativi ai diversi settori della pianificazione urbana (traffico urbano, inquinamento, gestione dei rifiuti, turismo, ecc.) (Batty, 2013).La rivoluzione dei Big Geo-Data rivolti alla governance urbana è la loro geolocalizzazione unita all'aspetto temporale.Infatti, grazie ai sensori localizzati nei diversi punti della città è possibile monitorare flussi continui di dati, con l'obiettivo di indirizzare gli interventi diretti sul territorio.Si tratta di piattaforme correlate a fonti multiple di big data: dai sensori fissi e mobili presenti in città, ai siti delle società di gestione del trasporto pubblico, ai sistemi di mapping collaborativo, ai siti di media e testate giornalistiche.Oltre ai big data, le piattaforme digitali hanno mostrato le loro potenzialità, ma anche criticità, specialmente durante e a seguito della pandemia, cambiando radicalmente il modo in cui le città sono modellate, abitate, praticate, immaginate e governate (Celata e Certomà, 2022, pp.1-2).Inoltre, il fenomeno di democratizzazione delle tecnologie del Geoweb 2.0 è all'origine di un importante cambiamento di paradigma: si è passati dalla produzione di informazione geografica basata sull'inchiesta, a quella collaborativa e, successivamente, a quella volontaria (VGI -Volunteered Geographic Information).L'irruzione delle tecnologie informatiche e la nuova prospettiva legata alla governance portano a considerare la metamorfosi della figura dell'interprete prodotta dalla cartografia collaborativa: il cartografo è costituito da una pluralità di individui, professionali e non, istituzionali e non, che partecipano alla costruzione della carta e il destinatario ha un profilo ibrido e assume un'inedita capacità di interazione e di intervento cartografico (Burini, 2022, pp.73-74).
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.017 | 0.015 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
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".