MétaCan
Menu
Retour à la cohorte
Enregistrement W2810220343 · doi:10.1038/s41467-018-04968-1

Immediate action is the best strategy when facing uncertain climate change

2018· article· en· W2810220343 sur OpenAlexaff
Maria Abou Chakra, Silke Bumann, Hanna Schenk, Andreas Oschlies, Arne Traulsen

Notice bibliographique

RevueNature Communications · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEvolutionary Game Theory and Cooperation
Établissements canadiensOccupational Cancer Research Centre
Organismes subventionnairesnon disponible
Mots-clésClimate changeCollective actionAction (physics)InequalityEvent (particle physics)Risk analysis (engineering)Computer scienceEconomicsBusinessPolitical scienceEcology

Résumé

récupéré en direct d'OpenAlex

Mitigating the detrimental effects of climate change is a collective problem that requires global cooperation. However, achieving cooperation is difficult since benefits are obtained in the future. The so-called collective-risk game, devised to capture dangerous climate change, showed that catastrophic economic losses promote cooperation when individuals know the timing of a single climatic event. In reality, the impact and timing of climate change is not certain; moreover, recurrent events are possible. Thus, we devise a game where the risk of a collective loss can recur across multiple rounds. We find that wait and see behavior is successful only if players know when they need to contribute to avoid danger and if contributions can eliminate the risks. In all other cases, act quickly is more successful, especially under uncertainty and the possibility of repeated losses. Furthermore, we incorporate influential factors such as wealth inequality and heterogeneity in risks. Even under inequality individuals should contribute early, as long as contributions have the potential to decrease risk. Most importantly, we find that catastrophic scenarios are not necessary to induce such immediate collective action.

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)0,002
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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0030,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,115
Tête enseignante GPT0,399
Écart entre enseignants0,284 · 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'étudeSimulation ou modélisation
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

Citations48
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNature CommunicationsMême sujetEvolutionary Game Theory and CooperationTravaux en français237 207