MétaCan
Menu
Retour à la cohorte
Enregistrement W2949383443 · doi:10.1089/sus.2019.0007

Investigating the Institutional Landscape for Urban Water Security in Nepal

2019· article· en· W2949383443 sur OpenAlexfundno aff
Chandra Lal Pandey, Gyanu Maskey, Kamal Devkota, Hemant Ojha

Notice bibliographique

RevueSustainability The Journal of Record · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research Centre
Mots-clésWater securityWater scarcityUrbanizationWater resourcesPopulationClimate changeScarcityBusinessWater supplyFood securityEnvironmental planningNatural resource economicsGeographyDevelopment economicsPolitical scienceEconomic growthAgricultureEconomicsEnvironmental scienceEcologyEnvironmental engineeringSociologyMarket economy

Résumé

récupéré en direct d'OpenAlex

Abstract Achieving water security is one of the major global challenges in the age of climate change, urbanization, rapid population increase, and weak water institutions. Despite the proliferation of water institutions and policies at national and local levels, the slow response to address water scarcity remains a puzzle in Nepal. This study investigated the state of water insecurity in relation to institutional structures, particularly focusing at the local level in Nepal. A qualitative research approach was used in two case study cities: Dhulikhel in central Nepal and Dharan in the east. The study found that failing to achieve water security is not due to a lack of an abundant supply of physical water in the country; rather, the problem is more about resolving the institutional complexity resulting from the existence of multiple water institutions with overlapping and competing roles and responsibilities. The authors conclude that strengthening institutional capacity is the key, including some fundamental rethinking to ensure clearly articulated and complementary roles, responsibilities, and relationships.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,163
Score d'incertitude au seuil0,158

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,198
Écart entre enseignants0,193 · 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 tête enseignante, 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

Citations15
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainability The Journal of RecordMême sujetWater resources management and optimizationTravaux en français237 207