Sentiment and attitudes toward offsetting and the biodiversity market in online media articles
Notice bibliographique
Résumé
Biodiversity offsetting, a conservation approach to offset loss of habitat and ecosystem services, has been widely accepted and implemented in different legislative frameworks around the globe. I assigned sentiment scores (from -3 [very negative] to +3 [very positive]) to online news articles to examine public sentiment toward offsetting. I identified 86 pertinent articles published from 2013 to 2023 by web scraping online media outlets through keywords. I examined article content based on topics commonly associated in scientific literature with offsetting, such as risks or financial aspects. Most articles were from Australia (44%), 16% were from the United Kingdom, and 5% were from Colombia and Madagascar. Three distinct groups covered finances (n = 47), species, and social impacts of offsetting (n = 23) and offsetting frameworks (n = 16). Articles covering monetary and finance aspects had a lower predicted sentiment score (-0.72, 95% CI -0.98 to -0.47) than articles that covered new, alternative offsetting forms (-0.15, 95% CI -0.46 to 0.17), such as mitigation banking and credits. In articles focused on charismatic species and loss of livelihood, offsetting risk and social issues were associated with low sentiment scores (<-0.85). Sentiment scores were high for articles on offsetting at a multicountry or global scale (0.47, 95% CI -0.06 to 0.99), and scores were the lowest in Australia (-1.03, 95% CI -1.36 to -0.70). Public sentiment based on media articles was generally negative toward offsetting, and many of the ecological and methodological issues and risks were reflected in the articles, but mitigation measures as a prerequisite to offsetting were mentioned in only 18% of all articles. With the seemingly high public interest in conservation and hence offsetting, it will be imperative to expand the current breadth of information about offsetting that is being communicated or made available to the public.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».