Community development crowdmapped and texted
Bibliographic record
Abstract
Dans ce mémoire, l’utilisation des technologies mobiles couplée avec une plateforme en ligne pour la cartographie de crise dans un contexte de développement communautaire est étudiée. La cartographie de crise a été utilisée dans le mouvement des technologies de l'information et de la communication (TICs) au service du développement comme méthode pour connecter et renforcer les capacités des citoyens dans des situations d’urgence. Cette étude a utilisé Crowdmap, la plateforme cartographique « dans un nuage »de Ushahidi est utilisée pour analyser si les citoyens allaient envoyer des textos et envoyer des messages en ligne comme les courriels, les tweets et les soumissions provenant des applications de téléphones intelligents pour le développement communautaire (ex. : les lieux locaux, les atouts de la communauté, les éléments à améliorer). De plus, l’étude interroge l’utilité des plateformes pour les crises dans des conditions de problèmes graves (de crise) et de problèmes chroniques (qui persistent, long terme) dans les communautés. Les problèmes du développeur et de l’utilisation du participant (ex. : l’organisation communautaire) dans le contexte de communautés locales ont été également abordé. Le contexte de l’utilisation de la plateforme de cartographie de crise a été changé afin de développer cinq applications pour des initiatives de développement communautaire dans quatre communautés (études de cas) au Canada: l’Université McGill (une application) et Lachine (deux applications) à Montréal, ainsi que Acadia Park (une application) et Grandview-Woodland (une application) à Vancouver. La méthodologie comprend cinq étapes. Premièrement, cinq applications sur une plateforme de cartographie de crise ont été créées. Deuxièmement, le matériel de télécommunications pour recevoir les messages textes envoyés par les participants a été mis sur pied. Troisièmement, un logiciel de télécommunications afin de cartographier les messages textes dans l’application cartographique a été installé. Quatrièmement, les communautés ont été visitées et des panneaux narratifs ont été utilisés pour communiquer et proposer les applications aux audiences dans un langage non technique et multilingue. Le chercheur a également participé aux diverses réunions locales, créé des manuels, ainsi que co-élaboré et distribué des affiches et pamphlets. Cinquièmement, les applications ont été administrées en géolocalisant, téléchargeant et analysant les messages entrants .Les données ont été collectées en recevant les messages, en les approuvant et en utilisant la méthode de crowdmapping. Les résultats se présentent sous forme de quatre tendances: (1) les défis techniques de la plateforme, (2) l’utilisation des technologies de l’information et de la communication (TICs) par les organisations communautaires, (3) l’utilisation des TICs par les participants, et (4) les problèmes de temporalité, d’écosystème technologique et de petites données (à l’opposé de données massives ou Big data). Les quatre résultats ont contribué à une utilisation et une adoption inconsistantes des applications, produisant une étendue inégale des 254 messages totaux reçus parmi les quatre communautés. La conclusion discute des implications et des perspectives plus vastes pour la cartographie mobile et sur le web dans le cadre du développement communautaire. Les TICs de plateformes de cartographie créent des possibilités innovantes pour les pratiques de développement communautaire et d’auto-organisation. Les études subséquentes devraient inclurent le développement de technologies davantage participatives en fonction des cadres existants de développement communautaire. Ceci permettra d’assurer la participation communautaire et l’utilisation à long terme, afin de pouvoir alimenter un dialogue significatif et continu à propos des lieux importants dans les quartiers.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.033 | 0.009 |
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".