Greener through gender: What climate mainstreaming can learn from gender mainstreaming
Notice bibliographique
Résumé
Abstract Addressing the urgent global climate crisis demands a rapid and meaningful expansion of “climate mainstreaming,” which refers to the integration of climate objectives in all aspects of development programs and policies. However, progress remains slow and uneven due to bottlenecks in policy and institutional change. Considering the parallel struggle recorded over decades to mainstream gender across the same policy arenas, a key question emerges: what can climate mainstreaming learn from gender mainstreaming? To answer this question, we review 57 policy, strategy, and guidance documents of United Nations agencies, all of which integrate these themes into food security and broader development programming. Our analysis identifies gaps in climate mainstreaming efforts and derives lessons from gender mainstreaming to bridge these gaps. It underscores the importance of adapting programmatic mainstreaming strategies in response to evolving contexts, for example, by simultaneously considering both mainstreaming and targeted interventions. Additionally, it highlights the need to adopt organizational climate mainstreaming and establish mechanisms for accountability. Finally, it emphasizes the urgency of embracing a climate justice lens; in practice, this involves prioritizing populations at greater risk of climate change impacts and actively engaging diverse perspectives in decision‐making, particularly communities facing multiple forms of discrimination. This article is categorized under: Integrated Assessment of Climate Change > Assessing Climate Change in the Context of Other Issues Climate and Development > Sustainability and Human Well‐Being Policy and Governance > International Policy Framework
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».