Sàmara: servizio di attivazione e sensibilizzazione della cittadinanza per interventi di greening urbano a Bologna
Bibliographic record
Abstract
La crescente urbanizzazione ha ridotto gli spazi verdi, con impatti negativi su qualità dell’aria, biodiversità e benessere dei cittadini. Il 2024 è stato l’anno più caldo mai registrato, con un aumento di 1,50°C rispetto all’era preindustriale (Buontempo, 2025). “La soluzione più efficace? Piantare più alberi stradali e togliere progressivamente le strade al traffico per raffreddare le città. I vantaggi di una città ricoperta di piante sono infiniti” (Mancuso, 2024). Diventa quindi essenziale superare l’attuale visione antropocentrica delle città e investire nel capitale naturale (Zanchini, 2024). In questo contesto si inserisce il progetto TALEA_Green Cells Leading the Green Transition (n. progetto EUI02-064 di European Urban Initiative-IA), coordinato dal Comune di Bologna. Questa tesi prende TALEA come riferimento, condividendone l’obiettivo di sviluppare modelli replicabili per promuovere la riforestazione urbana e accelerare la transizione green di Bologna, attraverso misure di mitigazione e adattamento al cambiamento climatico. Sebbene il verde urbano sia noto per i suoi benefici, come la riduzione delle isole di calore e il miglioramento della qualità dell’aria (Konijnendijk et al., 2010), pochi studi integrano riforestazione e design partecipativo. Coinvolgere le comunità locali rende i progetti più sostenibili e accettati (Sanders & Stappers, 2008). La ricerca si concentra sulle aree di Bologna con carenza di verde, promuovendo co-progettazione partecipata per sensibilizzare e mobilitare i cittadini sull’importanza del verde urbano, orientando le azioni a lungo termine.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.042 | 0.012 |
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".