MétaCan
Menu
Retour à la cohorte
Enregistrement W2559586647 · doi:10.1111/ropr.12216

Holding Polluting Countries to Account for Climate Change: Is “Loss and Damage” Up to the Task?

2016· article· en· W2559586647 sur OpenAlexaff
Craig Johnson

Notice bibliographique

RevueReview of Policy Research · 2016
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueClimate Change Policy and Economics
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésDamagesLoss and damageBureaucracyTechnocracyMechanism (biology)ConventionAccountabilityClimate changeConference of the partiesUnited Nations Framework Convention on Climate ChangeDeveloping countryBusinessPolitical scienceEconomicsKyoto ProtocolEconomic growthLawPolitics

Résumé

récupéré en direct d'OpenAlex

Abstract Formally established by the Conference of the Parties to the UN Framework Convention on Climate Change in 2013, the Loss and Damage Mechanism represents what is for many an important effort on the part of developing countries (including China and the G77) to hold polluting countries to account for past and potential harms incurred as a result of climate change. This paper explores the viability of using the Mechanism as a means of holding polluting countries to account for the provisions outlined in the Framework Convention. In reviewing the history and recent policy within the UNFCCC, the paper makes the case that demands for greater accountability through the Loss and Damage Mechanism have been frustrated by a lack of consensus about the rights of poor countries to pursue carbon‐intensive development pathways, the obligations of current and future generations to the actions and decisions of their forebears, and the obligations of national governments to their own citizens and the UNFCCC. Instead of assigning responsibility for past and future losses and damages, the Mechanism has gravitated toward a more technocratic/bureaucratic exercise aimed at collecting data, enhancing knowledge, and making policy recommendations.

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)0,019
score de la tête « metaresearch » (Gemma)0,031
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,099

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,031
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,012
Communication savante0,0070,009
Science ouverte0,0020,003
Intégrité de la recherche0,0050,005
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,355
Tête enseignante GPT0,451
Écart entre enseignants0,096 · 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'étudeThéorique ou conceptuel
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

Citations19
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of Policy ResearchMême sujetClimate Change Policy and EconomicsTravaux en français237 207