Focus on global–local–global analysis of sustainability
Notice bibliographique
Résumé
Abstract This special issue is the outcome of a workshop held at Purdue University in April 2022. It comprises thematic syntheses of five overarching dimensions of the Global-to-Local-to-Global (GLG) challenge to ensuring the long-term sustainability of land and water resources. These thematic dimensions include: climate change, ecosystems and biodiversity, governance, water resources and cyberinfrastructure. In addition, there are eight applications of GLG analysis to specific land and water sustainability challenges, ranging from environmental stress in the Amazon River Basin to groundwater depletion in the United States. Based on these papers, we conclude that, without fine-scale, local analysis, interventions focusing on land and water sustainability will likely be misguided. But formulating such policies without the broader, national/global context is also problematic – both from the point of view of the global drivers of local sustainability stresses, as well as to capture unanticipated spillovers. In addition, because local and global systems are connected to – and mediated by – meso-scale processes, accounting for key meso-scale phenomena, such as labor market functioning, is critical for characterizing GLG interactions. We also conclude that there is great scope for increasing the complexity of GLG analysis in future work. However, this carries significant risks. Increased complexity can outstrip data and modeling capabilities, slow down research, make results more difficult to understand and interpret, and complicate effective communication with decision-makers and other users of the analyses. We believe that research guidance regarding appropriate complexity is a high priority in the emerging field of Global-Local-Global analysis of sustainability.
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 | 0,002 |
| 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 | 0,002 |
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.
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 ».