Social–ecological systems approaches are essential for understanding and responding to the complex impacts of COVID-19 on people and the environment
Notice bibliographique
Résumé
The Coronavirus Disease 2019 (COVID-19) pandemic is dramatically impacting planetary and human societal systems that are inseparably linked. Zoonotic diseases like COVID-19 expose how human well-being is inextricably interconnected with the environment and to other converging (human driven) social–ecological crises, such as the dramatic losses of biodiversity, land use change, and climate change. We argue that COVID-19 is itself a social–ecological crisis, but responses so far have not been inclusive of ecological resiliency, in part because the “Anthropause” metaphor has created an unrealistic sense of comfort that excuses inaction. Anthropause narratives belie the fact that resource extraction has continued during the pandemic and that business-as-usual continues to cause widespread ecosystem degradation that requires immediate policy attention. In some cases, COVID-19 policy measures further contributed to the problem such as reducing environmental taxes or regulatory enforcement. While some social–ecological systems (SES) are experiencing reduced impacts, others are experiencing what we term an “Anthrocrush,” with more visitors and intensified use. The varied causes and impacts of the pandemic can be better understood with a social–ecological lens. Social–ecological insights are necessary to plan and build the resilience needed to tackle the pandemic and future social–ecological crises. If we as a society are serious about building back better from the pandemic, we must embrace a set of research and policy responses informed by SES thinking.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».