The Climate, Land, Energy, and Water systems (CLEWs) framework: a retrospective of activities and advances to 2019
Notice bibliographique
Résumé
Population growth, urbanization and economic development drive the use of resources. Securing access to essential services such as energy, water, and food, while achieving sustainable development, require that policy and planning processes follow an integrated approach. The 'Climate-, Land-, Energy-and Water-systems' (CLEWs) framework assists the exploration of interactions between (and within) CLEW systems via quantitative means. The approach was first introduced by the International Atomic Energy Agency to conduct an integrated systems analysis of a biofuel chain. The framework assists the exploration of interactions between (and within) CLEW systems via quantitative means. Its multi-institutional application to the case of Mauritius in 2012 initiated the deployment of the framework. A vast number of completed and ongoing applications of CLEWs span different spatial and temporal scales, discussing two or more resource interactions under different political contexts. Also, the studies vary in purpose. This shapes the methods that support CLEWs-type analyses. In this paper, we detail the main steps of the CLEWs framework in perspective to its application over the years. We summarise and compare key applications, both published in the scientific literature, as working papers and reports by international organizations. We discuss differences in terms of geographic scope, purpose, interactions represented, analytical approach and stakeholder involvement. In addition, we review other assessments, which contributed to the advancement of the CLEWs framework. The paper delivers recommendations for the future development of the framework, as well as keys to success in this type of evaluations.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».