Assessing the role of education level on climate change belief, concern and action: a multinational survey of healthcare professionals in nephrology
Notice bibliographique
Résumé
BACKGROUND: Climate change poses a significant risk to kidney health, and countries with lower national wealth are more vulnerable. Yet, citizens from lower-income countries demonstrate less concern for climate change than those from higher-income countries. Education is a key covariate. To examine its role in explaining this perception gap, we obtained the perspectives of a highly educated cohort of healthcare professionals. METHODS: This was a cross-sectional survey of healthcare professionals involved in kidney care. Responses were compared by the income level of the participant's country (per World Bank). RESULTS: Of the 849 healthcare professionals from 107 countries (63.4% from lower and middle-income countries) that participated, most believed climate change was happening (97.9%), displayed a high level of concern (73.3%), and took personal action to combat climate change (62.0%). While the proportion who believed in climate change did not vary by income level (high:98.1%, upper-middle:97.2%, lower-middle:97.8%, low:100%, p = 0.73), the proportion with a higher level of concern (high:80.7%, upper-middle:74.9%, lower-middle:67.5%, low:53.8%, p < 0.001), and who took climate action (high:76.2%, upper-middle:63.1%, lower-middle:51.2%, low:30.8%, p < 0.001) decreased by national wealth. Barriers to involvement in sustainable kidney care were lack of time (54.4%), knowledge (39.7%), and peer support (30.3%). Only 34.0% were aware of national mitigation plans and barriers related to finances, technologies, tools, methods, research, and evidence were perceived as greater obstacles in lower-income countries. CONCLUSIONS: Our results highlight that predictors and correlates of climate change risk perception vary across countries. Education alone is unlikely to increase individual and group engagement in climate change. A better understanding of these factors can inform strategies towards climate action in different settings.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,010 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».