The City Research and Innovation Agenda: Prioritizing Knowledge Gaps and Policy Processes to Accelerate City Climate Action
Notice bibliographique
Résumé
We present city specific climate action policy recommendations for urban practitioners, government officers, city leaders, and research decision-makers, from the recently released City Research and Innovation Agenda (CRIA). Building on the Global Research Action Agenda for Cities Climate Change Science 2018, updated in 2021—key outputs from the first Cities and Climate Change Science Conference in Edmonton 2018 and the follow up Innovate4Cities 2021 Conference (online)—the CRIA presents the priority city research and policy gaps identified at these two major conferences. With a focus on the nexus of cities, climate change science, and policy innovation, the CRIA is for policy and decision-makers looking to make significant progress on city focused climate action strategies and plans, by focusing their attention on the city-relevant evidence and outcome-oriented partnerships needed across academia, government, business, and civil society. Here, we provide a summary of the CRIA, that presents priorities under four key questions that cities and their partners in research and innovation ask as they develop and implement climate plans: How do we build the evidence base for climate action? How and for whom should we prioritize? What should we do? and How do we finance and scale climate action? We include arguments for why consolidated understanding of data, technology, and knowledge gaps across a city climate action journey is important to accelerate implementation of cities’ climate commitments, as is the need for key partnerships to support cities in meeting climate goals.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».