MétaCan
Menu
Retour à la cohorte
Enregistrement W3195879536 · doi:10.1080/17565529.2021.1964937

Interrogating ‘effectiveness’ in climate change adaptation: 11 guiding principles for adaptation research and practice

2021· article· en· W3195879536 sur OpenAlexfundno aff
Chandni Singh, Soundarya Iyer, Mark New, Roger Few, Bhavana Rao Kuchimanchi, Alcade C. Segnon, Daniel Morchain

Notice bibliographique

RevueClimate and Development · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensnon disponible
Organismes subventionnairesDepartment for International DevelopmentInternational Development Research Centre
Mots-clésAdaptation (eye)Climate change adaptationClimate changeEnvironmental resource managementPolitical scienceEngineering ethicsEnvironmental planningPsychologyEnvironmental scienceEngineeringGeology

Résumé

récupéré en direct d'OpenAlex

The Paris Agreement articulates a global goal on adaptation, which aims to ensure an ‘adequate adaptation response’ to the ‘global temperature goal’, and requires countries to report progress through periodic global stocktakes. However, there remain conceptual and methodological challenges in defining an adaptation goal and mixed evidence on what effective adaptation looks like and how it can be enabled. In this review, we demonstrate how different normative views on adaptation outcomes, arising from different epistemological and disciplinary entry points, can lead to very different interpretations of adaptation effectiveness. We argue that how effectiveness is framed will significantly impact adaptation implementation and outcomes. This, furthermore, represents a way of exercising influence in adaptation decision-making. Eleven principles of effective adaptation are distilled as a way to pluralize guidance in international processes such as the Global Stocktake as well as national and sub-national exercises on tracking and monitoring 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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,296
score de la tête « metaresearch » (Gemma)0,161
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,296
Score d'incertitude au seuil0,868

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,2960,161
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0050,002
Bibliométrie0,0090,010
Études des sciences et des technologies0,0080,171
Communication savante0,0380,040
Science ouverte0,0100,020
Intégrité de la recherche0,0140,017
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,498
Tête enseignante GPT0,394
Écart entre enseignants0,105 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeThéorique ou conceptuel
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

Citations262
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClimate and DevelopmentMême sujetClimate change impacts on agricultureTravaux en français237 207