Notice bibliographique
Résumé
Abstract An increasing number of organizations and governments are responding to the challenges of climate change by introducing programs to report and, ultimately, reduce greenhouse gas (GHG) emissions. Some programs are voluntary and focus solely on GHG reporting or provide a platform for GHG reduction and removal projects, while others are mandatory and require certain types of facilities or industries to report. Taking a proactive leadership position on climate change is becoming an essential component of good corporate social responsibility, especially as businesses prepare themselves for a future regulated carbon environment. Many institutional investors are requesting carbon footprint data and using the information in assessing the risk of investments in sectors or companies. Green procurement is also becoming more and more commonplace across the supply chain as organizations start to direct expenditures toward suppliers that are taking proactive steps to reduce their carbon footprint. Many businesses recognize that reducing GHG emissions is a long-term commitment and are choosing to take immediate responsibility for their emissions by balancing them with the purchase of an equivalent amount of credible carbon offsets. However, the success of any carbon reporting or reduction programs, whether mandatory or voluntary, will depend heavily on the accuracy and transparency of the reported data, especially as new standards and best practices are adopted. One of the major challenges in carbon accounting stem, in part, from the wide array of GHG quantification and verification standards, protocols and methodologies that a professional must be familiar with.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,008 | 0,020 |
| Communication savante | 0,018 | 0,023 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,012 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,006 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».