MétaCan
Menu
Retour à la cohorte
Enregistrement W2610797555 · doi:10.1080/09644016.2017.1319020

Institutional complexity and private authority in global climate governance: the cases of climate engineering, REDD+ and short-lived climate pollutants

2017· article· en· W2610797555 sur OpenAlexfundno aff
Fariborz Zelli, Ina Möller, Harro van Asselt

Notice bibliographique

RevueEnvironmental Politics · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Geoengineering
Établissements canadiensnon disponible
Organismes subventionnairesNational Academy of SciencesCentre for Global Cooperation ResearchSvenska Forskningsrådet FormasUniversity of Calgary
Mots-clésCorporate governanceClimate governanceClimate changePublic goodReducing emissions from deforestation and forest degradationBusinessCentralityNatural resource economicsEnvironmental resource managementEnvironmental planningEconomicsGeographyEcologyFinance

Résumé

récupéré en direct d'OpenAlex

How and why do institutional architectures, and the roles of private institutions therein, differ across separate areas of climate governance? Here, institutional complexity is explained in terms of the problem-structural characteristics of an issue area and the associated demand for, and supply of, private authority. These characteristics can help explain the degree of centrality of intergovernmental institutions, as well as the distribution of governance functions between these and private governance institutions. This framework is applied to three emerging areas of climate governance: reducing emissions from deforestation and forest degradation (REDD+), short-lived climate pollutants (SLCPs) and climate engineering. Conflicts over means and values, as well as over relatively and absolutely assessed goods, lead to considerable variations in the emergence and roles of private institutions across these three cases.

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)0,006
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0050,025
Communication savante0,0070,007
Science ouverte0,0010,008
Intégrité de la recherche0,0020,002
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 Opus0,032
Tête enseignante GPT0,264
Écart entre enseignants0,232 · 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'étudeQualitatif
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

Citations102
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironmental PoliticsMême sujetClimate Change and GeoengineeringTravaux en français237 207