Notice bibliographique
Résumé
Global warming is causing more frequent and severe extremes in weather. Sea-levels are rising with island states poised to vanish. Over time, these trends are expected to worsen. If some predictions materialize, a sixth major extinction awaits us. What could be more important for environmental epidemiologists than to help inform policies that might avert such catastrophic harms? En route to possible extinction, as global average heating continues, local habitats will change thereby exposing local populations to environmental harms through exposure to challenges not before seen in such communities. Studying potential harms is prerequisite to health planning. Despite the ethical imperative to pursue research to help with adaptation, access to funds for research is less likely in a context of ideologically driven policy that denies climate change. Countries contributing both to denial and to greenhouse gas emissions are the more affluent in the world where wealth allows them a buffer against extremes in weather. Meanwhile, the poorer countries, not contributing to the accumulation of emissions, do not have buffering capacity and are suffering the greatest negative impacts from weather changes. These phenomena are leading to a widening of the 90:10 gap where 90% of the world’s research funding goes into the study of problems affecting only 10% of the global population. This session will reflect on the Polluter Pays and the Post-Cautionary Principles. The hardships resulting in the countries where land is being bought by rich countries with the sole ambition of feeding their local populations will also be addressed. The presentation aims to engage the audience and provide the opportunity for discussion by identifying, among others, the principles noted above in each of this session’s presented papers.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».