Notice bibliographique
Résumé
Abstract Environmental impact assessment (EIA) is a systematic process designed to identify and predict the potential impacts of human activity on the biophysical and human environment. It also functions as an environmental management tool to identify measures to avoid, mitigate or compensate for those effects. EIA is intended to be an iterative process to follow‐up to projects postimplementation to determine actual environmental outcomes, interpret and communicate information about those outcomes and investigate opportunities for improved project environmental performance. Originating from the United States’ National Environmental Policy Act of 1970, EIA is now amongst the most successful and widely practiced environmental management tools in the world. Key Concepts: EIA is an aid to decision making through which concerns about the potential environmental consequences of proposed projects are assessed before those projects become a reality. Screening in EIA ensures that assessments are done when needed and not done when not needed. Scope is essential to good EIA and the goal is to focus on a select set of environmental components that are deemed important from scientific, public or regulatory perspectives and are likely to be adversely affected by the project. The underlying intent of EIA is to allow project proponents, managers and decision makers to enhance the benefits of proposed development projects and to mitigate potentially adverse impacts to the point of acceptability. EIA must be applied early in the development planning processes if it is to be influential in project design and decision making. Information gained in EIA follow‐up studies, after the project is implemented, provides feedback to improve predictions and mitigation and management programmes, and an opportunity to learn for subsequent project proposals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,216 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».