MétaCan
Menu
Retour à la cohorte
Enregistrement W4395672501 · doi:10.1080/02723638.2024.2336852

Resilient climate urbanism and the politics of experimentation for adaptation

2024· article· en· W4395672501 sur OpenAlexafffundabout
Sophie L. Van Neste, Hélène Madénian, Émilie Houde-Tremblay, Geneviève Cloutier

Notice bibliographique

RevueUrban Geography · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueClimate Change, Adaptation, Migration
Établissements canadiensUniversité LavalInstitut National de la Recherche Scientifique
Organismes subventionnairesOuranosMitacs
Mots-clésUrbanismPoliticsAdaptation (eye)Economic geographySociologyPolitical scienceGeographyEnvironmental planningPolitical economyEnvironmental ethicsArchitecturePsychologyArchaeologyLaw

Résumé

récupéré en direct d'OpenAlex

Cities are increasingly pursuing actions to become more resilient in the face of climate change and to seize related economic growth opportunities. Recent contributions have argued that “climate urbanism” is emerging as a hegemonic trend that is structuring climate adaptation with a focus on the selective securing of vital infrastructure for growth, promoting an apolitical vision of resilience and exacerbating inequalities. Developing situated understandings of these dynamics and their contestation seems key. We analyse this trend of climate urbanism in a specific setting of climate adaptation experiment: living labs. We investigate and intervene on two key processes of the politics of climate experimentation – making for compelling urban projects and focusing on infrastructure reconfiguration – whereby living labs could challenge or, conversely, amplify negative trends of climate urbanism. Our research in Montreal shows the value of understanding the subjectivities of the practitioners involved and the fields of political struggles where adaptation lands. Although the negative trends of climate urbanism appear very resilient and living labs have important limitations, we believe they can be used to muddle through pathways for more debates, equity and justice in climate adaptation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,072

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0110,087
Communication savante0,0080,005
Science ouverte0,0010,010
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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 Opus0,059
Tête enseignante GPT0,320
Écart entre enseignants0,261 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations9
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueUrban GeographyMême sujetClimate Change, Adaptation, MigrationTravaux en français237 207