Making Sense of the Minefield of Footprint Indicators
Notice bibliographique
Résumé
In recent years, footprint indicators have emerged as a popular mode of reporting environmental performance. The prospect\nis that these simplified metrics will guide investors, businesses, public sector policymakers and even consumers of everyday\ngoods and services in making decisions which lead to better environmental outcomes. However, without a common “DNA”,\nthe ever expanding lexicon of footprints lacks coherence and may even report contradictory results for the same subject matter.1\nThe danger is that this will ultimately lead to policy confusion and general mistrust of all environmental disclosures. Footprints are especially interesting metrics because they seek to express the environmental performance of products and organizations from a life cycle perspective. The life cycle perspective is important to avoid misleading claims based only on a selected life cycle stage. For example, the water used to manufacture beverages may be important, but if a beverage includes sugar, irrigation water used to cultivate sugar cane could be a greater concern. The focus on environmental performance distinguishes footprints from technical efficiency measures, such\nas energy use efficiency or water use efficiency, which typically only make sense when applied to a single life cycle stage as they lack local environmental context. However, unlike technical efficiency, which can usually be accurately measured and verified, footprint indicators, with their wider view of environmental performance, are usually calculated using models which can differ in scope, complexity and model parameter settings. Despite the noble intention of using footprints to evaluate and report environmental performance, the potential inconsistency between different approaches acts as a deterrent to use in many public policymaking and business contexts and can lead to confusing and contradictory messages in the marketplace.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,008 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».