MétaCan
Menu
Retour à la cohorte
Enregistrement W1997346868 · doi:10.1068/a42503

Heat Waves and Cold Spells: An Analysis of Policy Response and Perceptions of Vulnerable Populations in the UK

2010· article· en· W1997346868 sur OpenAlexaff
Johanna Wolf, W. Neil Adger, Irene Lorenzoni

Notice bibliographique

RevueEnvironment and Planning A Economy and Space · 2010
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesDepartment for Environment, Food and Rural Affairs, UK Government
Mots-clésVulnerability (computing)Fuel povertyPerceptionPovertyWarning systemRisk perceptionHeat wavePublic policyCold waveBusinessPolitical scienceGeographyPsychologyEconomic growthClimate changeMedicineEconomicsEngineering

Résumé

récupéré en direct d'OpenAlex

Heat waves and cold spells pose ongoing seasonal risks to the health and well-being of vulnerable individuals. Current attempts to address these risks in the UK are implemented through fuel-poverty strategies and heat-wave planning. This paper examines evidence from the UK on whether heat waves and cold spells are addressed differently by public policy in the UK given that risks are mediated by similar perceptions that shape behavioural responses by vulnerable individuals. It is based on a review of UK policies and on a qualitative interview study of risk perceptions of elderly people as a primary identified vulnerable group to these weather extremes. The study involved in-depth repeat interviews with fifteen elderly respondents in summer 2007 and winter 2008 in Norwich (UK). Results suggest that neither heat risks nor cold risks are perceived as personal risks and therefore planned preventive measures by individuals are largely elusive. Cold risk policy reduces vulnerability; policy related to heat relies on early warning and public information programmes and does not reduce underlying vulnerability. Both types of policies largely ignore public perceptions of risks and could benefit from a more cohesive approach, supporting similar measures to reduce seasonal vulnerability.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,342

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,311
Écart entre enseignants0,269 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations83
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironment and Planning A Economy and SpaceMême sujetClimate Change and Health ImpactsTravaux en français237 207