MSD CoP Webinar: Accounting for distributive justice in model-based decision support
Notice bibliographique
Résumé
Context: This webinar was hosted by the MultiSector Dynamics Community of Practice (MSD CoP; https://multisectordynamics.org). Abstract: Model-based analyses play an ever-increasing role in informing policy and decision-making. However, many large-scale societal challenges unavoidably involve questions about the fair distribution of positive and negative consequences. How are the costs of the energy transition distributed over households and businesses? How are flood risks redistributed under different flood risk management plans? How are the impacts of climate change and climate mitigation distributed over different parts of the world?These kinds of questions play an important role when deliberating public policy, and the lack, in many cases, of clear answers becomes an obstacle to decision-making. At recent COPs, for example, wicked questions about loss and damages and the phase-out versus phase-down of coal became obstacles to global climate action, illustrating the misalignment of the direction of scientific research and decision-makers' information needs. In this talk, I'll explore advances that are being made that enable analysts to start providing grounded model-based answers to questions of distributive justice, as well as argue that analysts should embrace and explicate the normative nature of their work instead of hiding behind the purported neutrality of science. Presenters: Dr. Jan Kwakkel (Delft University of Technology) Moderator(s): Rebecca Saari (MSD CoP Working Group Co-Chair; Univ. of Waterloo), Matt Sparks (Univ. of Waterloo); Sarah Fletcher (MSD CoP Working Group Co-Chair; Stanford University), Juan Moreno-Cruz (Univ. of Waterloo), Patrick Reed (MSD CoP Facilitation Team Member, Moderator and Organizer) This webinar was held on: November 13, 2024 from 1 PM - 2:15 PM ET
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».