How do community-level climate change vulnerability assessments treat future vulnerability and integrate diverse datasets? A review of the literature
Notice bibliographique
Résumé
Community-level vulnerability assessments (VAs) are important for understanding how populations experience vulnerabilities to climate change in different ways given local socioeconomic and environmental factors. Despite recent expansion in the literature that evaluates vulnerability at the local level, approaches to understanding future scenarios and to integrating climatic and nonclimatic factors are inconsistent and often lack clear methodological information. This study utilized systematic review methods to characterize and compare future scenarios and the integration of climatic and nonclimatic stimuli in community-focused VAs published over the last five years. Five common methods for assessing future dimensions of vulnerability were characterized. Key challenges regarding sources and scales of information were highlighted alongside methods to integrate data spanning climatic and nonclimatic information at scales ranging from local to global. The majority of VAs considered current and past vulnerability; few VAs incorporated future scenarios and these studies focused on future climatic conditions while largely overlooking changes in nonclimatic drivers of vulnerability. Approaches to evaluate future dimensions of vulnerability included climate model projections, socioeconomic model projections, temporal analogue approaches, longitudinal approaches, and local perceptions. These methods often failed to capture the dynamic interactions between variables through time, as future impacts are unlikely to follow previous patterns of change. To combine datasets of different scales, VAs created vulnerability indices, overlaid spatial datasets, or used expert judgement. These approaches tended to aggregate local characteristics to the regional level at the expense of community specificity. There is a need for methodological advances to assess future scenarios and to combine datasets in the field of community-level climate change VAs to make these studies more responsive to local realities and relevant to the development of climate change adaptation strategies.
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 | 0,048 | 0,158 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,026 | 0,022 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,014 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».