Identification of Coastal Defence Measures Best Adapted to Mitigate Hazards in Specific Coastal Systems: Development of a Dynamic Literature Meta-Analysis Methodology
Notice bibliographique
Résumé
The decision-making process of the coastal defence measures (CDMs) is complex and filled with uncertainties due to site-specific interactions between hydrodynamic and geomorphological conditions, which have repercussions on the ecological and social aspects of coastal communities. Scientific knowledge of the effects of CDMs contributes to the reduction in inherent uncertainties and facilitates the decision-making and design processes. The goal of this article is to present an algorithm designed to evaluate and hierarchize CDMs in relation to different coastal environments. Drawn from 411 published scientific case studies, a total of 1709 authors’ observation statements regarding the effects of CDMs on the study sites’ environmental features (type of coast, type of substrate, tidal range, and wave climate) were entered in a database, categorized, and weighted according to a qualitative scale. The algorithm processes the information by establishing a correspondence between user-selected environment features and those stocked in the database, and it evaluates user-selected CDMs in relation to the specified coastal characteristics by identifying, collating, and rating the effects as observed in similar contexts. The result is a tool able to process, structure, and concretize scientific knowledge regarding CDMs and their effects on coastal systems. It is complementary to existing tools currently used in the decision-making and design processes of the CDMs. The results present the hierarchization of CDMs according to a multilevel aggregated structure, which can be used in different ways by coastal managers, decision-makers, and engineers. The algorithm, based on standardized coastal characteristics, can be applied to any shoreline worldwide.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 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 ».