Practitioner needs to adapt to Sea-Level Rise: Distilling information from global workshops
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Climate-induced sea-level rise threatens the world’s coastal populations, critical infrastructure, and ecosystems. The science of sea-level rise (SLR) has developed to inform understanding of global climate mitigation and adaptation challenges, but there is much less engagement with practitioners to discern their climate services needs and support the development of adaptation planning and action on the ground. In addition, adaptation planning and implementation processes for SLR are relatively new and practitioners developing leading practices are seeking interaction with their peers and the SLR science community. To address these gaps, we co-produced online global workshops with sixty-nine practitioners from twenty-six countries. These workshops aimed to increase understanding of the state of SLR adaptation planning practice worldwide, gather information on practitioners' existing knowledge and service needs to advance their adaptation efforts, and facilitate exchange between practitioners engaged with coastal adaptation and the SLR science community. The workshops uncovered commonalities across contexts and identified consistent needs from scientists and other technical experts amongst the practitioner community. These needs include generating more localized SLR impact data, understanding of compound risk, creating data timelines for decision making, and developing clarity about uncertainties and probabilities. We also observed important differences between urban and rural locations and between places with different economic resources. To meet their needs, practitioners identified three crucial next steps: 1) Develop more online engagement opportunities, 2) Establish a global practitioner community of practice, and 3) Scale and improve the provision of climate services.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,011 |
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 découle