Climate impact storylines for assessing socio-economic responses to remote events
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
Quote: “What I hear, I forget. What I see, I remember. What I do, I understand.” (Xunzi, ∼300 BCE). Modelling complex interactions involving climatic features, socio-economic vulnerability or responses, and long impact transmissions is associated with substantial uncertainty. Physical climate storylines are proposed as an approach to explore complex impact transmission pathways and possible alternative unfoldings of event cascades under future climate conditions. These storylines are particularly useful for climate risk assessment for complex domains, including event cascades crossing multiple disciplinary or geographical borders. For an effective role in climate risks assessments, development guidelines are needed to consistently develop and interpret the storyline event analyses. This paper elaborates on the suitability of physical climate storyline approaches involving climate event induced shocks propagating into societal impacts. It proposes a set of common elements to construct the event storylines. In addition, criteria for their application for climate risk assessment are given, referring to the need for storylines to be physically plausible, relevant for the specific context, and risk-informative. Apart from an illustrative gallery of storyline examples found in literature, three examples of varying scope and complexity are presented in detail, all involving the potential impact on European socio-economic sectors induced by remote climate change features occurring far outside the geographical domain of the European mainland. The storyline examples illustrate the application of the proposed storyline components and evaluate the suitability of the criteria defined in this paper. It thereby contributes to a rigorous design and application of event-based climate storyline approaches.
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 | 0,001 | 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 | 0,001 | 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) | 0,000 | 0,001 |
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