The City Of Montreal In Terms Of Multi-Stekaholder Cooperation And Resilient City
Bibliographic record
Abstract
Günümüzde şehirler, doğal, ekonomik, siyasi, sosyal veya küresel salgın gibi birçok beklenmedik durumla karşılaşmaktadırlar. Şehirlerin yönetimleri, şehirlerinde ortaya çıkabilecek olası bu durumları iyi tanımalı ve tanımlamalı, en aza indirgeyecek alternatif çözüm yolları ortaya koymalı, çok paydaşlı iş birliği ile kriz eylem planlarını yapmalı ve şehirlerini dirençli hale getirmelidirler. Dirençli şehir, şehrinde hiçbir kriz veya riske maruz kalmayan değil, her ne sebeple olursa olsun beklenmedik biçimde ortaya çıkan durumlar karşısında hazırlıklı olan ve rasyonel çözümler üretebilen şehirlerdir. Çalışmanın amacı, dirençli kentler oluşturulması için çok paydaşlı iş birliğiyle yapılan bir strateji planını hazırlık, uygulama ve işlevselliği açısından örnek plan üzerinden ele almak ve yapılacak çalışmalara iyi uygulama örneği sunmaktır. Çalışmada öncelikle dirençli kent kavramı ve kentlerin dirençli hale gelmesi için çok paydaşlı iş birliği ile izlenecek yol haritaları açıklanmış, daha sonra Montreal Dirençli Şehir Stratejisi ele alınmıştır. Çalışmada, kriz anında ve sonrasında olduğu kadar öncesinde de iş birliği ve dayanışmanın önemli olduğu, şehirde yaşayan ve olası risklerden etkilenecek kesimlerin bilgi sahibi olmalarının kentlerin dirençlerinin artmasına katkı sağladığı, olası kriz durumlarında temel ihtiyaçların karşılanması ve yaşam kalitelerinin devam ettirilebilmesi için hazırlıklı ve planlı olmanın çok önemli olduğu sonucuna varılmıştır.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.009 | 0.006 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.017 | 0.000 |
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".