Methodology to identify demand-side low-carbon innovations and their potential impact on socio-technical energy systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The rapid diffusion of demand-side low-carbon innovations has been identified as a key strategy for maintaining average global temperature rise at or below 1.5 °C. Diffusion research tends to focus on a single sector, or single technology case study, and on a small scope of factors that influence innovation diffusion. This paper describes a novel methodology for identifying multiple demand-side innovations within a specific energy system context and for characterizing their impact on socio-technical energy systems. This research employs several theoretical frameworks that include the Energy Technology Innovation System (ETIS) framework to develop a sample of innovations; the Sustainability Transitions framework to code innovations for their potential to impact the socio-technical system; the energy justice framework to identify the potential of innovations to address aspects of justice; and how characteristics of innovations are relevant to Innovation Adoption. This coding and conceptualization creates the foundation for the future development of quantitative models to empirically assess and quantify the rate of low-carbon innovation diffusion as well as understanding the broader relationship between the diffusion of innovations and socio-technical system change. The three stages of research are:•Contextualization: surveys and desk research to identify low-carbon innovations across the ETIS;•Decontextualization: the development of a codebook of variables•Recontextualization: coding the innovations and analysis.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle