MétaCan
Menu
Retour à la cohorte
Enregistrement W4394716884 · doi:10.33424/futurum487

How do hurricanes impact forest ecosystems?

2024· article· en· W4394716884 sur OpenAlexaboutno aff

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueAeolian processes and effects
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésForest ecologyEcosystemEnvironmental scienceGeographyForestryEnvironmental resource managementEcologyBiology

Résumé

récupéré en direct d'OpenAlex

Climate change is creating unprecedented risks for businesses around the world, which is making investors nervous.A key way that businesses can address this anxiety is through disclosing how they impact, and are impacted by, climate change.Dr Sanjay Banerjee of the University of Alberta in Canada is researching how businesses are going about this, and what this means for future policy and regulation. How is climate change affecting accounting and business?Accounting research Capital -wealth in the form of money or assets Carbon tax -a tax on the usage of fossil fuels and/or greenhouse gas emissions Climate disclosure -the sharing or publication of climaterelated information related to a business, such as climate risk assessments and mitigation plans Climate risk -the potential for the impacts of climate change to have negative consequences Investor -a person or organisation that gives money towards a certain business or project, with the expectation of receiving a profit from the investment at a later date Machine learning -a type of artificial intelligence that uses algorithms to imitate the way that humans learn and perform certain tasks more accurately over time Shareholder -any person or organisation that owns shares in a company Shares -the subunits of a company's capital/stock Stock -the sum of a company's shares U nderstanding how companies are responding to the threat of climate change is of huge interest to investors, regulators and policy makers.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,585
Score d'incertitude au seuil1,000

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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,008
Tête enseignante GPT0,222
Écart entre enseignants0,214 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAeolian processes and effectsTravaux en français237 207