MétaCan
Menu
Retour à la cohorte
Enregistrement W4323308236 · doi:10.1016/s2542-5196(23)00022-0

Learning to treat the climate emergency together: social tipping interventions by the health community

2023· review· en· W4323308236 sur OpenAlexaff
Courtney Howard, Andrea J. MacNeill, Fintan Hughes, Lujain Alqodmani, Kate Charlesworth, Roberto de Almeida, Roger Harris, Bruno Jochum, Edward Maibach, Lwando Maki, Forbes McGain, Jeni Miller, Monica Nirmala, David Pencheon, Scott Robertson, Jodi D. Sherman, Joe Vipond, Hao Yin, Hugh Montgomery

Notice bibliographique

RevueThe Lancet Planetary Health · 2023
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueClimate Change and Health Impacts
Établissements canadiensYork UniversityUniversity of British ColumbiaGovernment of CanadaUniversity of CalgaryCentre for Global Health Research
Organismes subventionnairesnon disponible
Mots-clésPublic healthPublic relationsMultidisciplinary approachPsychological interventionHealth careSocial determinants of healthCommunity healthSocioeconomic statusInvestment (military)BusinessPolitical scienceEconomic growthEconomicsMedicineEnvironmental healthNursingPopulation

Résumé

récupéré en direct d'OpenAlex

Accelerating the decarbonisation of local and national economies is a profound public health imperative. As trusted voices within communities around the world, health professionals and health organisations have enormous potential to influence the social and policy landscape in support of decarbonisation. We assembled a multidisciplinary, gender-balanced group of experts from six continents to develop a framework for maximising the social and policy influence of the health community on decarbonisation at the micro levels, meso levels, and macro levels of society. We identify practical, learning-by-doing approaches and networks to implement this strategic framework. Collectively, the actions of health-care workers can shift practice, finance, and power in ways that can transform the public narrative and influence investment, activate socioeconomic tipping points, and catalyse the rapid decarbonisation needed to protect health and health systems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,537
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0060,000
Communication savante0,0000,000
Science ouverte0,0020,001
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,002

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 Opus0,383
Tête enseignante GPT0,467
Écart entre enseignants0,084 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations63
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Lancet Planetary HealthMême sujetClimate Change and Health ImpactsTravaux en français237 207