Data, concepts and methods for large‐<i>n</i> comparative climate change adaptation policy research: A systematic literature review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Climate change adaptation research is dominated by in‐depth, qualitative, single‐ or small‐ n case studies that have resulted in rich and in‐depth understanding on adaptation processes and decision making in specific locations. Recently, the number of comparative adaptation policy cases has increased, focusing on examining, describing, and/or explaining how countries, regions, and vulnerable groups are adapting across a larger sample of contexts and over time. There are, however, critical empirical, conceptual and methodological choices and challenges for comparative adaptation research. This article systematically captures and assesses the current state of larger‐ n ( n ≥ 20 cases) comparative adaptation policy literature. We systematically analyze 72 peer‐reviewed articles to identify the key choices and challenges authors face when conducting their research. We find among others that almost all studies use nonprobability sampling methods, few existing comparative adaptation datasets exist, most studies use easy accessible data which might not be most appropriate for the research question, many struggle to disentangle rhetoric from reality in adaptation, and very few studies engage in critical reflection of their conceptual, data and methodological choices and the implications for their findings. We conclude that efforts to increase data availability and use of more rigorous methodologies are necessary to advance comparative adaptation research. This article is categorized under: Vulnerability and Adaptation to Climate Change > Learning from Cases and Analogies
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle