MétaCan
Menu
Retour à la cohorte
Enregistrement W4392236736 · doi:10.3389/fclim.2024.1345921

Insights intended to improve adaptation planning and reduce vulnerability at the local scale

2024· article· en· W4392236736 sur OpenAlexafffund
Renato Cáceres, Johanna Wandel, Jeremy Pittman, Peter Deadman

Notice bibliographique

RevueFrontiers in Climate · 2024
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueClimate change impacts on agriculture
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesUniversity of WaterlooInter-American Institute for Global Change ResearchSecretaría de Educación Superior, Ciencia, Tecnología e Innovación
Mots-clésAdaptation (eye)Vulnerability (computing)Scale (ratio)Computer scienceClimate change adaptationEnvironmental resource managementEnvironmental planningProcess managementRisk analysis (engineering)BusinessPsychologyEnvironmental scienceGeographyClimate changeComputer securityNeuroscienceBiologyCartographyEcology

Résumé

récupéré en direct d'OpenAlex

We live in a world of constant change, where multiple factors that generate vulnerability coincide, such as pandemics, climate change, and globalization, among other political and societal concerns. This demands the development of approaches capable of dealing with diverse sources of vulnerability and strategies that enable us to plan for and mitigate harm in the face of uncertainty. Our paper shows that the interpretation and conception that one gives to vulnerability in climate change can influence how decision-making solutions and adaptation measures are proposed and adopted. In this context, our approach integrates contextual vulnerability and decision-making planning tools to bolster the capacity to adapt at a local scale. We link our analysis to the evolution of vulnerability in climate change studies and some core articles and decisions on climate change adaptation and capacity building under the United Nations Framework Convention on Climate Change (UNFCCC) and the Conference of Parties throughout this study.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,721
Score d'incertitude au seuil0,190

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 Opus0,033
Tête enseignante GPT0,275
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'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

Citations7
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in ClimateMême sujetClimate change impacts on agricultureTravaux en français237 207