The complex relationship between carbon literacy and pro-environmental actions among engineering students
Notice bibliographique
Résumé
Lifestyle choices and consumption play a large role in contributing to per capita greenhouse gas emissions. Certain activities, like fossil fuel ground transportation, long-haul flights, diets with animal products and residential heating and cooling contribute significantly to per capita emissions. There is uncertainty around whether literacy about these actions encourages individuals to act pro-environmentally to reduce personal carbon footprints or to prioritize the most effective actions. This study investigated the relationship between carbon literacy and pro-environmental actions performed to reduce greenhouse gas emissions among undergraduate engineering students at the University of Toronto. The pro-environmental actions by the participants produced an average carbon footprint of 4.8 tCO 2 (within the subset of actions included in the survey) which was lower than average for residents each of Toronto, Ontario, and Canada overall but still higher than the global target of ∼2.8 tCO 2 e. The carbon literacy by participants was best for high impact actions like ground transportation and dietary choices but less so for air travel and there was mixed awareness for the moderate and low impact actions. For high impact actions and many moderate and low impact actions, participants who thought the action was high impact (even if incorrect) had lower carbon footprints related to the associated activity than those who thought the action was moderate or low impact. The overall relationship between pro-environmental action and carbon literacy was weak. It showed that for high impact actions, there is a slight negative correlation between carbon literacy and personal carbon footprint whereas for moderate and low impact actions, there is a positive correlation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 0,000 |
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 ».