MétaCan
Menu
Retour à la cohorte
Enregistrement W2066263339 · doi:10.1007/s10584-014-1090-7

Integrating local hybrid knowledge and state support for climate change adaptation in the Asian Highlands

2014· article· en· W2066263339 sur OpenAlexfundno aff
Jianchu Xu, R. Edward Grumbine

Notice bibliographique

RevueClimatic Change · 2014
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensnon disponible
Organismes subventionnairesConsortium of International Agricultural Research CentersChinese Academy of SciencesInternational Development Research Centre
Mots-clésClimate changeAdaptation (eye)Coping (psychology)Climate change adaptationAdaptive capacityEnvironmental resource managementLocal adaptationTraditional knowledgeSociology of scientific knowledgeEnvironmental planningPolitical scienceGeographySociologyEcologyEconomicsPsychologySocial science

Résumé

récupéré en direct d'OpenAlex

New hybrid forms of climate change adaptation combining local and nonlocal/scientific knowledge are emerging across the Asian Highlands region. Yet, while local adaptive capacity can be based on place-based knowledge that governments often lack, communities still need assistance from states to better adjust to climate change and socioeconomic impacts. Using a regional literature review, we evaluate the role of evolving hybrid forms of adaptive knowledge for coping with environmental and social change. The literature is clear that appreciating local knowledge is not enough; enfranchising people with representative decision-making and resource rights and responsibilities is also required so that people can employ that knowledge toward climate adaptation. Into the future, Asian Highland climate change actions must include more targeted state support for locally evolving hybrid knowledge, behaviors and institutions.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,002
Communication savante0,0030,003
Science ouverte0,0010,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,084
Tête enseignante GPT0,283
Écart entre enseignants0,199 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations45
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClimatic ChangeMême sujetClimate change impacts on agricultureTravaux en français237 207