MétaCan
Menu
Retour à la cohorte
Enregistrement W4389438589 · doi:10.1139/facets-2022-0193

The greenlight for government buildings: strategies for a low-carbon building portfolio

2023· article· en· W4389438589 sur OpenAlexafffundvenueabout
Seabron Adamson, Andrew S. Medeiros

Notice bibliographique

RevueFACETS · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueSustainable Building Design and Assessment
Établissements canadiensDalhousie University
Organismes subventionnairesNova Scotia Department of Energy and MinesNova Scotia Department of EnergyDalhousie UniversityU.S. Department of Energy
Mots-clésRenewable energyCarbon footprintBusinessGovernment (linguistics)ProcurementPortfolioLow-carbon economyEnvironmental economicsEfficient energy useBenchmarkingGreenhouse gasFinanceEngineeringEconomicsMarketing

Résumé

récupéré en direct d'OpenAlex

There is a global focus by governments on retrofitting buildings, as well as incorporating energy efficiency into new construction, as a means to address climate change. Initiatives to reduce energy use, source renewable electricity, and use low-carbon materials are aimed at leading by example, where governments attempt to showcase innovation through green building strategies. Greening government initiatives are promoted to reduce operating costs, improve energy system resilience, grow the “green” economy, support clean energy development, and encourage sustainable building practices. Here, we outline the benefits of greening government initiatives by examining Canada's Greening Government Strategy as a case study approach for transitioning to a low-carbon building portfolio. We focus our review on initiatives that outline how public institutions can transition buildings to reduce their carbon footprint by (1) pairing greening government mandates with adequate support structures for public agencies, (2) using an integrated energy management process for the planning and development of carbon-neutral portfolios, and (3) overcoming barriers to low-carbon project implementation with procurement standards, financial instruments, and staff training. These approaches are defined to offer leadership in the green building industry, strategically identify carbon reduction projects, and reduce barriers to a low-carbon building portfolio.

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)0,000
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: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,269
Score d'incertitude au seuil0,667

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
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 Opus0,012
Tête enseignante GPT0,254
Écart entre enseignants0,242 · 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'étudeSans objet
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

Citations5
Publié2023
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueFACETSMême sujetSustainable Building Design and AssessmentTravaux en français237 207