Ecological Modelling: Applying Computational Linguistic Analysis to the UN Secretary-General’s Speeches on Climate Change (2018–2022)
Notice bibliographique
Résumé
The present study analyzes the UN Secretary-General’s speeches on climate change to investigate latent topics. The study aimed to sum up the challenges and strategies proposed by the UN. The addresses, delivered from 2018 to 2022, were retrieved from the official website of the UN. A computational technique named Latent Dirichlet Allocations (LDA) was applied to uncover the hidden topics from the corpus. The present study underpinned Computational Grounded Theory (CGT) as the theoretical framework for the analysis. The results revealed multiple topics such as renewable energy, the effects of climate change, proposed action plan, climate change disasters, mitigation strategies, and global food insecurity. The study is significant in the sense that it provides insightful directions to overcome the threat of climate change. La présente étude analyse les discours du Secrétaire général des Nations unies sur le changement climatique afin d'étudier les sujets latents. L'étude vise à résumer les défis et les stratégies proposés par l'ONU. Les discours, prononcés entre 2018 et 2022, ont été récupérés sur le site officiel de l'ONU. Une technique informatique appelée Allocation de Dirichlet Latent (en anglais Latent Dirichtlet Allocations ou LDA) a été appliquée pour découvrir les sujets cachés du corpus. La présente étude s'appuie sur la théorie computationnelle ancrée (Computational Grounded Theory ou CGT) en tant que cadre théorique pour l'analyse. Les résultats ont révélé de nombreux sujets tels que les énergies renouvelables, les effets du changement climatique, le plan d'action proposé, les catastrophes liées au changement climatique, les stratégies d'atténuation et l'insécurité alimentaire mondiale. L'étude est significative dans le sens où elle fournit des orientations perspicaces pour surmonter la menace du changement climatique.
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 | 0,004 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».