MétaCan
Menu
Retour à la cohorte
Enregistrement W4401056813 · doi:10.1016/j.enpol.2024.114266

Searching for stable electricity in Monrovia: Co-evolution of energy infrastructure and practices

2024· article· en· W4401056813 sur OpenAlexaff
Phillip Garjay Innis, Kristof Van Assche, Detlef Müller‐Mahn

Notice bibliographique

RevueEnergy Policy · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSustainability and Climate Change Governance
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésElectricityEnvironmental economicsBusinessNatural resource economicsEngineeringEconomics

Résumé

récupéré en direct d'OpenAlex

Development requires action, adaptation, and transformation of both governance and physical infrastructure. Energy infrastructure unfolds as the infrastructure that facilitates the growth of other infrastructures and development. This paper argues it is critical to examine the complex, non-linear evolution of energy infrastructure and policy alongside the intricate, non-linear evolution of governance in general, and planning specifically, in southern cities, particularly those with a history of instability, scarcity and incomplete infrastructure. Monrovia, Liberia, provides a compelling example of the intricate co-evolution of policy, infrastructure and practices in unpredictable and unstable contexts that require adaptability, resilience and innovation. Understanding such a landscape is important because governance reflects characteristics of constant evolution, improvisation and searching within a broader system that is also evolving. The objective is to better grasp how the double and coupled processes of ‘searching’ and ‘planning’ interact to shape the landscape of options for tackling incomplete electricity infrastructure. The incompleteness of both governance and infrastructure retains benefits whilst the interplay of searching and planning can allow for positive adaptations in terms of governance and infrastructure; however, we equally know adaptation can take place in unsustainable contexts, thereby engendering the potential for risks and missed opportunities.

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: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,497
Score d'incertitude au seuil0,971

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 Opus0,011
Tête enseignante GPT0,300
Écart entre enseignants0,288 · 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'étudeThéorique ou conceptuel
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

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy PolicyMême sujetSustainability and Climate Change GovernanceTravaux en français237 207