Case study and analogue methodologies in climate change vulnerability research
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Assessing vulnerability is an important component of human dimensions of climate change (HDCC) research. Vulnerability assessments identify and characterize who and what are sensitive to climatic risks and why, characterize adaptive capacity and its determinants, and identify opportunities for adaptation. This paper examines the importance of case study and analogue methodologies in vulnerability research, reviews the historical evolution of the two methodologies in the HDCC field, and identifies ways in which they can be used to increase our understanding of vulnerability. Case studies involve in‐depth place‐based research that focuses on a particular exposure unit (e.g., community, industry, etc.) to characterize vulnerability and its determinants. Temporal analogues use past and present experiences and responses to climatic variability, change and extremes to provide insights for vulnerability to climate change; spatial analogues involve conducting research in one region and identifying parallels to how another region might be affected by climate change. Vulnerability research that uses case studies and analogues can help to develop an understanding of the determinants of vulnerability and how they interact, and identify opportunities to reduce vulnerability and enhance adaptive capacity to current and future climate risks. This information can assist policy makers in developing adaptation plans and to mainstream climate change adaptation into other policy‐ and decision‐making processes. Copyright © 2010 John Wiley & Sons, Ltd. This article is categorized under: Vulnerability and Adaptation to Climate Change > Learning from Cases and Analogies
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.
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 | 0,029 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle