Extreme Weather Events as Teachable Moments: Catalyzing Climate Change Learning and Action Through Conversation
Notice bibliographique
Résumé
Extreme weather events are often described as teachable moments for climate change. In this article, we explore insights about the concept of teachable moments from healthcare literature and apply them to the climate change communication context. Specifically, we adapt Flocke et al.’s (2012. A teachable moment communication process for smoking cessation talk: description of a group randomized clinician-focused intervention. BMC Health Services Research, 12(1), 109. https://doi.org/10.1186/1472-6963-12-109) Teachable Moment Communication Process to offer a new dialogue-based communication framework that leverages extreme weather events as opportunities for environmental learning and action among the public. Our framework helps facilitate discussions about extreme weather events, with the goal of channeling dialogue into actions to address extreme weather-related risks at both individual and policy levels. An important nuance is delineating how climate change can exacerbate hazards, while vulnerability and exposure ultimately determine the impacts of hazards. We account for this distinction by centering our framework around the broader goal of reducing weather-related risks in diverse contexts including, but not limited to, climate change considerations. This article describes our proposed communication approach; we conclude by outlining a research agenda to empirically test the framework and examine other dynamics of extreme weather-related dialogue.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».