L’effet des projets de villes intelligentes sur le développement durable : Les perceptions des habitants dans cinq grandes villes marocaines
Bibliographic record
Abstract
Cette étude évalue l’impact des projets de villes intelligentes sur le développement durable au Maroc, en se concentrant sur les perceptions des habitants dans cinq villes : Casablanca, Rabat, Tanger, Marrakech et Benguerir. Une approche de recherche quantitative a été adoptée, utilisant un questionnaire structuré en ligne pour recueillir des données sur les dimensions environnementales, économiques et sociales de ces projets. La méthodologie a inclus une technique d’échantillonnage aléatoire stratifié pour garantir un échantillon représentatif de chaque ville, avec 200 participants interrogés. Les résultats montrent une perception généralement positive, mais modérée, de ces projets. Des améliorations ont été observées dans la gestion des ressources et la réduction des déchets, bien que des défis persistent dans les secteurs de l’eau et de l’énergie. Sur le plan économique, la création d’emplois a été limitée, bien que l’accès à des services modernes tels que le commerce électronique ait amélioré. Socialement, bien que la qualité de vie et l’accès aux services publics se soient améliorés, des problèmes d’inclusion sociale demeurent, en particulier dans les zones périphériques. L’étude conclut qu’un progrès a été réalisé, mais que des stratégies plus ciblées sont nécessaires pour maximiser les bénéfices des initiatives de villes intelligentes et garantir des résultats équitables pour tous les citoyens.
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 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".