Transformational climate actions by cities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<strong>Highlights</strong> With their predominantly coastal geographies, rapidly growing populations, and emissions-intensive activities, cities are highly vulnerable and major contributors to climate change. Their role as cultural centers, and commerce and innovation hubs, means they are also promising sources of solutions. Taken together, these factors demand a closer examination of the progress and solutions that cities are making to mitigate climate change and adapt to its impacts. However, research on the extent and effectiveness of cities’ implementation efforts is underdeveloped. There is a need to better understand if and how cities are rolling out effective implementation measures, what effects (intended and unintended) such measures are having, and whether their implementation efforts are achieving the transformational changes needed to realize a low carbon, climate-resilient future. This editorial introduces the special issue by exploring these issues and reflecting perspectives from a variety of disciplines both within and outside academia, and in relation to diverse cities in the Global North and South. To better understand the practical dimensions of implementation, and the various obstacles and opportunities faced by public and private sector actors in progressing climate action targets and goals, the editors invited submissions reflective of co-produced research. Though not all took this form, some did and helped to foreground the experiences of those actors who arguably have the most power and responsibility to advance implementation measures, and seed the very institutional arrangements needed for deeper, multisectoral climate action. Collectively, the content of the special issue points to a need for significant investment, policy change, social innovation, and cooperation across societal scales.
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.
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 | 0,000 | 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 | 0,000 | 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) | 0,001 | 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 découle