Tipping points in coupled human–environment system models: a review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. Mathematical models that couple human behavior to environmental processes can offer valuable insights into how human behavior affects various types of ecological, climate, and epidemiological systems. This review focuses on human drivers of tipping events in coupled human–environment systems where changes to the human system can abruptly lead to desirable or undesirable new human–environment states. We use snowball sampling from relevant search terms to review the modeling of social processes – such as social norms and rates of social change – that are shown to drive tipping events, finding that many affect the coupled system depending on the system type and initial conditions. For example, tipping points can manifest very differently in human extraction versus human emission systems. Some potential interventions, such as reducing costs associated with sustainable behavior, have intuitive results. However, their beneficial outcomes via less obvious tipping events are highlighted. Of the models reviewed, we found that greater structural complexity can be associated with increased potential for tipping events. We review generic and state-of-the-art techniques in early warning signals of tipping events and identify significant opportunities to utilize digital social data to look for such signals. We conclude with an outline of challenges and promising future directions specific to furthering our understanding and informing policy that promotes sustainability within coupled human–environment systems. Non-technical summary. Mathematical models that include interactions between humans and the environment can provide valuable information to further our understanding of tipping points. Many social processes such as social norms and rates of social change can affect these tipping points in ways that are often specific to the system being modeled. Higher complexity of social structure can increase the likelihood of these transitions. We discuss how data are used to predict tipping events across many coupled systems.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,006 |
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 découle