Women are under-represented in adaptation policy research and are more likely to emphasise justice topics
Notice bibliographique
Résumé
Abstract This paper is the first to analyse the role of women authors in fostering justice-relevant topics in climate adaptation research. As representation, citation and payment patterns remain gender-biased across scientific disciplines, we explore the case of climate science, particularly adaptation, as its most human-oriented facet. In climate research and policy, there has been a recent surge of interest in climate justice topics: mentions of justice have increased almost tenfold in Intergovernmental Panel on Climate Change Working Group 2 reports between the latest assessment cycles (AR5 and AR6). We conduct a systematic examination of the topic space in the adaptation policy scholarship. As it is a vast and rapidly growing field, we use topic modelling, an unsupervised machine learning method, to identify the literature on climate justice and related fields, as well as to examine the relationship between topic prevalence and the gender of the authors. We find climate change adaptation policy research to be male dominated, with women holding 38.8% of first and 28.8% of last authorships. However, we observe topic-specific variability, whereby the share of female authors is higher among publications on justice-relevant topics. Female authorship is highly linked to topics such as Community, Local Knowledge, and Governance, but less to Food Security and Climate Finance. Our findings corroborate the evidence that female authors play a significant role in advancing the research and dialogue on the relationship between climate change and areas that have meaningful impact on lives of women and other marginalised groups.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».