MétaCan
Menu
Retour à la cohorte
Enregistrement W3124476395 · doi:10.20944/preprints201808.0226.v1

How is Australia Adapting to Climate Change Based on a Systematic Review?

2018· preprint· en· W3124476395 sur OpenAlexaff
Tristan Pearce, E. Rodriguez, David Fawcett, James D. Ford

Notice bibliographique

RevuePreprints.org · 2018
Typepreprint
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensUniversity of Guelph
Organismes subventionnairesUniversity of the Sunshine CoastAustralian Agency for International Development
Mots-clésAdaptation (eye)Climate changeSystematic reviewStakeholderProcess (computing)Environmental resource managementClimate change adaptationEnvironmental planningAgricultureGeographyPolitical scienceComputer sciencePublic relationsEcologyPsychologyEnvironmental scienceMEDLINE

Résumé

récupéré en direct d'OpenAlex

We develop and apply a systematic literature review methodology to identify and characterize the ways in which the peer-reviewed literature depicts how climate change adaptation is occurring in Australia. We reviewed the peer-reviewed, English-language literature between January 2005 and January 2018 for examples of documented adaptation actions. Our results challenge previous assumptions that adaptation action is not happening in Australia and describes adaptation processes that are underway. For the most part, actions can be described as preliminary or groundwork, with a particular focus on documenting stakeholder perspectives on climate change and adaptation, and modelling or scenario planning in the coastal zone, agriculture and health sectors. Where concrete adaptations are reported, they are usually in the agricultural sector and are most common in the Murray-Darling Basin, Australia’s food basket. The findings of the review advance our understanding of adaptation to climate change as a process and the need to consider different stages in the process when tracking adaptation.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,256
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,005

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 Opus0,367
Tête enseignante GPT0,373
Écart entre enseignants0,006 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeRevue systématique
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

Citations12
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetClimate change impacts on agricultureTravaux en français237 207