MétaCan
Menu
Retour à la cohorte
Enregistrement W4406081248 · doi:10.1007/s00550-024-00544-y

Sustainability Nexus AID: storms

2025· article· en· W4406081248 sur OpenAlexafffund
Simon Michael Papalexiou, Giuseppe Mascaro, Angeline G. Pendergrass, Antonios Mamalakis, Mariana Madruga de Brito, Konstantinos M. Andreadis, Kathleen A. Schiro, Masoud Zaerpour, Shadi Hatami, Yohanne Larissa Rita, André S. Ballarin, Mijael Rodrigo Vargas Godoy, Sofia D. Nerantzaki, Hebatallah Abdelmoaty, Mir A. Matin, Kaveh Madani

Notice bibliographique

RevueSustainability Nexus Forum · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDisaster Management and Resilience
Établissements canadiensUnited Nations University Institute for Water, Environment, and HealthUniversity of Calgary
Organismes subventionnairesGlobal Affairs CanadaBundesministerium für Bildung und Forschung
Mots-clésNexus (standard)StormSustainabilityPolitical scienceGeographyComputer scienceMeteorologyEcologyBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Storms include a range of weather events resulting in heavy liquid and solid precipitation and high winds. These events critically impact crops and natural resources and, in turn, health, economy, and infrastructure safety. The intensity and frequency of the physical mechanisms triggering storms will most likely increase under global warming due to the changing flows of water and energy in the atmosphere. Addressing storm threats holistically requires a nexus approach that links climate change, infrastructure, and human prosperity and well-being, contributing to achieving the UN’s Sustainable Development Goals. This work introduces the Storms Module of the United Nations University (UNU) Sustainability Nexus Analytics, Informatics, and Data (AID) Programme. The paper aims to emphasize the importance of AID tools in addressing storm impacts through a data-driven nexus approach that recognizes the connections between storm hazards, policy, and society. Today, AID tools are instrumental in understanding storms and making informed decisions to manage them. AID tools contribute to archiving and monitoring storm data, employing predictive models and early warning systems, estimating storm risk, conducting post-storm analysis, and aiding preparedness, response, and recovery efforts. The Storms Module lists freely available AID tools, including large databases, simulation and precipitation tools, and resources for storm preparedness. Over the next years, new Artificial Intelligence (AI) technologies, are expected to revolutionize storm understanding, forecasting, and adaptive planning. However, especially for the operational use of new AI tools, caution is advised due to potential limitations regarding data quality, ethical concerns, cybersecurity risks, and the need for legal frameworks.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,157

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0040,004
Science ouverte0,0010,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0470,016

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 Opus0,006
Tête enseignante GPT0,318
Écart entre enseignants0,312 · 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 source (Gemma direct ou Codex distillé), 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
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSustainability Nexus ForumMême sujetDisaster Management and ResilienceTravaux en français237 207