MétaCan
Menu
Retour à la cohorte
Enregistrement W2398451714 · doi:10.1002/wcc.409

Addressing the risk of maladaptation to climate change

2016· article· en· W2398451714 sur OpenAlexaff
Alexandre Magnan, E. Lisa F. Schipper, Maxine Burkett, Sukaina Bharwani, Ian Burton, Siri Eriksen, François Gemenne, Jetske van der Schaar, Gina Ziervogel

Notice bibliographique

RevueWiley Interdisciplinary Reviews Climate Change · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensUniversity of Toronto
Organismes subventionnairesAgence Nationale de la RechercheRockefeller Foundation
Mots-clésMaladaptationAdaptation (eye)Anticipation (artificial intelligence)Climate changeConceptual frameworkEnvironmental resource managementEnvironmental planningPsychologySociologyGeographyEcologySocial scienceEconomicsComputer scienceBiology

Résumé

récupéré en direct d'OpenAlex

This paper reviews the current theoretical scholarship on maladaptation and provides some specific case studies—in the Maldives, Ethiopia, South Africa, and Bangladesh—to advance the field by offering an improved conceptual understanding and more practice‐oriented insights. It notably highlights four main dimensions to assess the risk of maladaptation, that is, process, multiple drivers, temporal scales, and spatial scales. It also describes three examples of frameworks—the Pathways , the Precautionary , and the Assessment frameworks—that can help capture the risk of maladaptation on the ground. Both these conceptual and practical developments support the need for putting the risk of maladaptation at the top of the planning agenda. The paper argues that starting with the intention to avoid mistakes and not lock‐in detrimental effects of adaptation‐labeled initiatives is a first, key step to the wider process of adapting to climate variability and change. It thus advocates for the anticipation of the risk of maladaptation to become a priority for decision makers and stakeholders at large, from the international to the local levels. Such an ex ante approach, however, supposes to get a clearer understanding of what maladaptation is. Ultimately, the paper affirms that a challenge for future research consists in developing context‐specific guidelines that will allow funding bodies to make the best decisions to support adaptation (i.e., by better capturing the risk of maladaptation) and practitioners to design adaptation initiatives with a low risk of maladaptation. WIREs Clim Change 2016, 7:646–665. doi: 10.1002/wcc.409 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.

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)0,012
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut 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: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,064

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,024
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0050,010
Communication savante0,0090,009
Science ouverte0,0020,017
Intégrité de la recherche0,0060,006
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,250
Tête enseignante GPT0,361
Écart entre enseignants0,111 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations424
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWiley Interdisciplinary Reviews Climate ChangeMême sujetClimate change impacts on agricultureTravaux en français237 207