Guidelines for Modeling and Reporting Health Effects of Climate Change Mitigation Actions
Notice bibliographique
Résumé
BACKGROUND: Modeling suggests that climate change mitigation actions can have substantial human health benefits that accrue quickly and locally. Documenting the benefits can help drive more ambitious and health-protective climate change mitigation actions; however, documenting the adverse health effects can help to avoid them. Estimating the health effects of mitigation (HEM) actions can help policy makers prioritize investments based not only on mitigation potential but also on expected health benefits. To date, however, the wide range of incompatible approaches taken to developing and reporting HEM estimates has limited their comparability and usefulness to policymakers. OBJECTIVE: The objective of this effort was to generate guidance for modeling studies on scoping, estimating, and reporting population health effects from climate change mitigation actions. METHODS: An expert panel of HEM researchers was recruited to participate in developing guidance for conducting HEM studies. The primary literature and a synthesis of HEM studies were provided to the panel. Panel members then participated in a modified Delphi exercise to identify areas of consensus regarding HEM estimation. Finally, the panel met to review and discuss consensus findings, resolve remaining differences, and generate guidance regarding conducting HEM studies. RESULTS: The panel generated a checklist of recommendations regarding stakeholder engagement: HEM modeling, including model structure, scope and scale, demographics, time horizons, counterfactuals, health response functions, and metrics; parameterization and reporting; approaches to uncertainty and sensitivity analysis; accounting for policy uptake; and discounting. DISCUSSION: This checklist provides guidance for conducting and reporting HEM estimates to make them more comparable and useful for policymakers. Harmonization of HEM estimates has the potential to lead to advances in and improved synthesis of policy-relevant research that can inform evidence-based decision making and practice. https://doi.org/10.1289/EHP6745.
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 | 0,228 | 0,456 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,010 |
| Bibliométrie | 0,024 | 0,019 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,018 | 0,008 |
| Intégrité de la recherche | 0,014 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,015 |
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 ».