MétaCan
Menu
Retour à la cohorte
Enregistrement W2517075421

Understanding conditions for cooperation when regulating common resources: Why is climate change so difficult to govern?

2014· dissertation· en· W2517075421 sur OpenAlexaboutno aff
Bojana Arsenovic

Notice bibliographique

RevueBIBSYS Brage (BIBSYS (Norway)) · 2014
Typedissertation
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésClimate changeComputer scienceEnvironmental resource managementBusinessEnvironmental scienceBiologyEcology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

International community has had little success in solving the problem of governing shared natural resources, of which the changing climate is the most prominent example. I wanted to know why. To answer this question I explored the conditions for achieving collective goals and providing for public goods, using the theory of collective action as a tool for analysis. First I examined collective action conditions in local settings, by looking into research conducted on local level natural resource management. Based on insights from the local settings I further investigated conditions for collective action in the international system. That I did by presenting the fundamental differences between the Montreal Protocol and the Kyoto Protocol, setting out an overview of existing international cooperation on climate change. Due to the anarchical nature of the international system with no central authority to enforce laws, agreements between states cannot be legally binding, which gives the states strong incentive to free-ride. In a system with economy based on competition where states are primarily interested in growth, the prospects for successful joint efforts to curb dangerous climate change seem rather gloomy.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,514
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,210
Tête enseignante GPT0,297
Écart entre enseignants0,087 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBIBSYS Brage (BIBSYS (Norway))Même sujetClimate Change Policy and EconomicsTravaux en français237 207