Open for Climate Justice: Intellectual Property, Human Rights, and Climate Change
Notice bibliographique
Résumé
This commentary highlights the history of conflict and division over intellectual property, technology transfer, and clean technologies during international climate negotiations. It considers the scope for open licensing to make environmental knowledge, data, technology, and intellectual property more widely accessible and available in order to better address climate adaptation and mitigation, as well as loss and damage. There has been a renewed interest in open access models for climate research, knowledge, and data. Creative Commons, SPARC and EIFL have launched a 4 year Open Climate Campaign, with funding from the Arcadia Foundation. The theme for the Open Access Week 2022 is Open for Climate Justice. Patent pledges have become increasingly popular as a means of sharing technologies. The Low Carbon Patent Pledge was launched in 2021 by Hewlett Packard Enterprise, Microsoft, and Facebook. The Pledge is designed to help disseminate clean technologies, subject to intellectual property rights. Meanwhile, the Government of Canada has experimented with patent collectives in the field of clean technologies. Open government policies have increasingly focused upon climate data, knowledge, and technologies. The Biden administration has been seeking to promote open innovation in the United States. At an international level, there has been discussion about the relationship between open science and human rights. The UNESCO Recommendation on Open Science provides a framework for the further development of policies in this field. While such new open source projects have promise, there is a need to scale up initiatives on open access, open data, open science, and open innovation to better address the challenges of climate change, biodiversity loss, and sustainable development.
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 | 0,001 | 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 | 0,001 | 0,019 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 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 ».