MétaCan
Menu
Retour à la cohorte
Enregistrement W4405097142 · doi:10.1016/j.resconrec.2024.108053

Review of national policy instruments motivating circular construction

2024· article· en· W4405097142 sur OpenAlexafffundabout
Rebecca Dziedzic, Pavithran Pondicherry, Maurício Dziedzic

Notice bibliographique

RevueResources Conservation and Recycling · 2024
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSustainable Supply Chain Management
Établissements canadiensUniversity of Northern British ColumbiaConcordia University
Organismes subventionnairesMitacs
Mots-clésCircular economyEngineeringBusinessConstruction engineeringEcology

Résumé

récupéré en direct d'OpenAlex

Building construction, renovation, and demolition (CRD) waste represent about one-third-of global waste production. Implementing circular economy practices in CRD can significantly reduce waste as well as related impacts, such as greenhouse gas emissions. Yet the effect of different types of policies in promoting construction circularity requires further investigation. The objective of this paper is to review the range of policy instruments applied by different countries and investigate how effectively they promote circularity. Based on a literature review, thirty-seven instruments were identified and classified into five types: regulatory, economic, technical, operational, and communicative. The implementation of each of these instruments was investigated for 19 countries, selected to represent each of the world's regions as defined by the World Bank, including: Barbados, Brazil, Bulgaria, Canada, China, Egypt, Germany, India, Israel, Japan, Kyrgyz Republic, Mexico, Morocco, Portugal, Qatar, Republic of Korea, Sri Lanka, Thailand, and United States. In each region, countries were selected to represent the full scope of CRD generated per capita. Economic, technical, operational and specific CRD regulatory instruments are moderately correlated to CRD waste recovery. In high income countries CRD regulations are the most correlated with recovery, whereas in middle income countries technical instrument implementation is more correlated.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,897
Score d'incertitude au seuil0,457

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,017
Tête enseignante GPT0,255
Écart entre enseignants0,238 · 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'étudeSans objet
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

Citations16
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueResources Conservation and RecyclingMême sujetSustainable Supply Chain ManagementTravaux en français237 207