Risk, “Radiophobia,” and Social Learning: Applying Lessons from the Literature
Notice bibliographique
Résumé
Social learning aims to produce a change in both understanding and behavior on the part of individuals that diffuses to wider social units and communities of practice. This paper asks: What lessons from the social learning literature can be applied to research and public engagement with respect to radiation exposure risk? Five key lessons were assembled, and recent survey results were used to demonstrate how these lessons can be applied to outline a risk communication strategy that includes, but is not limited to, well-designed engagement. The marked divergence between public and “expert” opinion on radiation exposure risk remains at the heart of current debates over the role of nuclear energy in tackling climate change. Earlier literature tended to be dismissive of the risk gap, siding with the experts and branding the public “radiophobic.” We show how applying the findings of the literature review to the design and analysis of the survey can overcome shortcomings of past approaches and build on strengths. This paper seeks to demonstrate the importance and interrelated nature of mixed-methods studies where quantitative and qualitative analysis is combined. This includes avoiding overly binary approaches of study and finding ways to open up conversations and exchanges. This exploration of social learning and public engagement highlights the potential barriers nuclear energy faces in contributing to the future energy mix and challenges current practices to be more perceptive to the spectrum of public positions to radiation exposure risk.
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 | 0,029 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,006 |
| Études des sciences et des technologies | 0,007 | 0,049 |
| Communication savante | 0,014 | 0,024 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».