Replication vs mentoring: Accelerating the spread of good practices for the low-carbon transition
Notice bibliographique
Résumé
The challenge of making cities more sustainable is one of the major constraints that has to be addressed at all political levels.Many innovative planning solutions are now underway in various European cities of any scale.One way of making the transition to low-carbon cities happen is the approach of replicating successful demonstration projects.During several years of participatory observation in European projects and municipal consultancy as well as through qualitative interviews with municipal technical staff working on climate change, we observed that replication is seen by the European Commission as well as national governments as a major solution for speeding up the transition EU wide.The research includes an evaluation of already funded EU projects using a replication approach.It is commonplace that replication is not likely to happen 1:1, because each city has its own challenges.Nonetheless, the process behind replication attempts leads to considerable learning effects.We found out that learning from good examples serves several purposes for managing the transition, e.g.inspiration and motivation of technical staff, mobilisation of stakeholders or political commitment.The paper concludes with an analysis of success factors and barriers for replication drawing on real life examples.The findings recommend making supporting schemes more effective by evolving the concept of unstructured replication towards a mentoring approach based on scientific steering.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,121 | 0,236 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,011 |
| Communication savante | 0,012 | 0,013 |
| Science ouverte | 0,005 | 0,019 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».