MétaCan
Menu
Retour à la cohorte
Enregistrement W4383873947 · doi:10.3167/reco.2023.130201

Policy innovation through local, sustainable development evaluation

2023· article· en· W4383873947 sur OpenAlexaboutno aff
Harlan Koff, Citlalli Alhelí González H., Edith Kauffer, Carmen Maganda

Notice bibliographique

RevueRegions & Cohesion · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental and Social Impact Assessments
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPledgeSummitOperationalizationEarth SummitBiodiversityPoliticsSustainable developmentPolitical scienceEnvironmental planningClimate changeGeographyEnvironmental protectionEnvironmental resource managementPublic administrationLawEnvironmental sciencePhysical geographyEcology

Résumé

récupéré en direct d'OpenAlex

The global political agenda has included some high-profile environmental summits over the past few months. Three of these events stand out. The 2022 United Nations (UN) Climate Change Conference in Sharm el-Sheikh, Egypt, was held from 6–20 November 2022. This was followed from 7–19 December 2022 by the UN Biodiversity Conference in Montréal, Canada, and the UN-Water Summit at UN Headquarters in New York City from 22–24 March 2023. Of these three events, the Biodiversity Summit made the most impact as delegates committed to protecting 30% of land and 30% of coastal and marine areas by 2030. This pledge is remarkable because it re-establishes political commitments to protect biodiversity, which is a key component of climate action. At the same time, many observers of the summit questioned how nation-states will implement this goal. Like the SDGs, the “30 by 30” commitment is long on aspirations but short on operationalization details. This observation is not a criticism of the agreement per se but a recognition of the challenges preventing ambitious biodiversity conservation plans from being fully implemented.

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)0,237
score de la tête « metaresearch » (Gemma)0,234
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,237
Score d'incertitude au seuil0,941

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,2370,234
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0070,011
Études des sciences et des technologies0,0070,008
Communication savante0,0190,019
Science ouverte0,0060,019
Intégrité de la recherche0,0040,006
Charge utile insuffisante (le modèle a refusé de juger)0,0470,005

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 Opus0,045
Tête enseignante GPT0,342
Écart entre enseignants0,297 · 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.

Devis d'étudeObservationnel
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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRegions & CohesionMême sujetEnvironmental and Social Impact AssessmentsTravaux en français237 207