MétaCan
Menu
Retour à la cohorte
Enregistrement W4306630467 · doi:10.1371/journal.pbio.3001841

Finding logic models for sustainable marine development that deliver on social equity

2022· article· en· W4306630467 sur OpenAlexaff
Yoshitaka Ota, Gerald G. Singh, Timothy P. Clark, Marleen Schutter, Wilf Swartz, Andrés M. Cisneros‐Montemayor

Notice bibliographique

RevuePLoS Biology · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCoastal and Marine Management
Établissements canadiensDalhousie UniversitySimon Fraser UniversityUniversity of Victoria
Organismes subventionnairesEarthLab, University of WashingtonOcean Nexus Center, EarthLab, University of WashingtonNippon FoundationUniversity of Washington
Mots-clésOperationalizationSustainable developmentEquity (law)Social equalityPsychological interventionIntergenerational equityPublic economicsSustainabilityEnvironmental resource managementBusinessEconomicsPolitical scienceBiologyEcologyPsychology

Résumé

récupéré en direct d'OpenAlex

Sustainable development is often represented as contributing to desirable outcomes across economic, environmental, and social goals, yet policies and interventions attempting to deliver sustainable development often disagree on the order in which these categories of goals should be addressed. In this Essay, we identify and review 5 approaches (called logic models) for sustainable development in ocean systems based on existing policies and interventions and consider the evidence for their contributions to equity-the ultimate goal of sustainable development according to the UN Sustainable Development Goals (SDGs). Two of the 5 logic models prioritize economic growth and lead to social and environmental benefits, 2 prioritize environmental health as a prerequisite for sustainable economic and social benefits, and the final logic model is community driven and prioritizes social dimensions. Looking towards the 2030 maturation of the SDGs, we will need to understand what models are best suited to deliver on equity gains and prevent future inequities in development and how best to operationalize them.

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)0,010
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,012
Score d'incertitude au seuil0,054

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,023
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,002
Études des sciences et des technologies0,0020,009
Communication savante0,0090,013
Science ouverte0,0020,004
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0120,002

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 Opus0,101
Tête enseignante GPT0,287
Écart entre enseignants0,186 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations32
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS BiologyMême sujetCoastal and Marine ManagementTravaux en français237 207