MétaCan
Menu
Retour à la cohorte
Enregistrement W4389389546 · doi:10.20935/acadenvsci6141

Beyond domain-led conceptualizations of urban zero-carbon transitions

2023· article· en· W4389389546 sur OpenAlexaffabout
Andrew Sudmant, Matt Tierney, Andy Gouldson, Joule Bergerson

Notice bibliographique

RevueAcademia Environmental Sciences and Sustainability · 2023
Typearticle
Langueen
DomaineDecision Sciences
Thématiquedemographic modeling and climate adaptation
Établissements canadiensUniversity of Calgary
Organismes subventionnairesEconomic and Social Research CouncilCentre for Climate Change Economics and Policy, University of LeedsForeign and Commonwealth Office
Mots-clésZero (linguistics)Domain (mathematical analysis)Carbon fibersEnvironmental scienceComputer scienceMathematicsPhilosophyLinguisticsAlgorithmMathematical analysis

Résumé

récupéré en direct d'OpenAlex

Rapid, systemic change is needed to achieve zero emissions, but there is uncertainty about how or where to intervene in urban systems. Drawing on the work of Donella Meadows, we apply a Leverage Points Perspective to identify and characterize points of system-level intervention that emerge from a study of climate action in Calgary, Canada, which was unique in applying a mixed set of academic approaches. Reflecting on Meadows’ and other frameworks for conceptualizing complex systems change, we discuss the challenge of conceptualizing change, a task of unique urgency in the context of the climate emergency. Too frequently, we argue, approaches focus attention on specific modes or forms of action seen to have the greatest opportunity for affecting change in place of the complex chains of actors, objects, and processes that collectively are the key to a deep and sustaining transition. We conclude by exploring how the insights of the Leverage Points Perspective and other approaches can be brought together to inform practical action, and by examining how related theoretical work on provisioning systems and applied work on urban Climate Commissions may be drawn on to advance understanding of how to deliver urban systems change.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,660
Score d'incertitude au seuil0,819

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,329
Écart entre enseignants0,296 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations2
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAcademia Environmental Sciences and SustainabilityMême sujetdemographic modeling and climate adaptationTravaux en français237 207