MétaCan
Menu
Retour à la cohorte
Enregistrement W2024954848 · doi:10.1007/s11269-012-0184-0

Re-Framing Environmental Social Science Research for Sustainable Water Management in a Changing Climate

2012· article· en· W2024954848 sur OpenAlexfundno aff
Rebecca Pearce, Suraje Dessai, Stewart Barr

Notice bibliographique

RevueWater Resources Management · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensnon disponible
Organismes subventionnairesEconomic and Social Research CouncilEngineering and Physical Sciences Research CouncilCanadian Centre for Applied Research in Cancer Control
Mots-clésFraming (construction)Climate changeBlameOpenness to experiencePublic relationsSociologyEnvironmental resource managementMarketingBusinessEconomicsPolitical scienceEngineeringSocial psychologyPsychologyEcology

Résumé

récupéré en direct d'OpenAlex

Abstract This paper considers aspects of environmental social science research in the UK and explores an obvious bias towards the development of instruments to manage demand as an adaptation to climate change, and consequently the predominance of interest in the customer from a demand-side perspective. In the case of water, this has resulted in an inappropriate mixing of individualist research methods designed to measure public perceptions of risk and water-based practices, with mass consumption data that cannot be specifically linked to the individual. This mixing has a tendency to reinforce a long-standing blame culture that drives interest in the development of behaviour change initiatives while the relatively unchallenged hydraulic mission to provide safe drinking water and sanitation progresses. With this in mind this paper reviews examples of water use research from California, Australia, and the UK and highlights the more effective routes to understanding water customers and developing behaviour change initiatives that utilise stages of change models and grounded techniques incorporating qualitative and quantitative data from individual sources. A secondary aim is to argue for re-framing the relations between various actors in a changing climate to allow the development of new policy approaches, learning, and openness, from industry, regulators, and customers, based on new theories from the field.

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)0,004
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,846
Score d'incertitude au seuil0,956

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,002
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 Opus0,018
Tête enseignante GPT0,255
Écart entre enseignants0,236 · 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'étudeSans objet
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

Citations11
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Resources ManagementMême sujetWater resources management and optimizationTravaux en français237 207