MétaCan
Menu
Retour à la cohorte
Enregistrement W4407732412 · doi:10.1016/j.gloenvcha.2025.102981

Integrating power, justice and reflexivity into transformative climate change adaptation

2025· article· en· W4407732412 sur OpenAlexaff
Marcus Taylor, Siri Eriksen, Katharine Vincent, Morgan Scoville-Simonds, Nick Brooks, E. Lisa F. Schipper

Notice bibliographique

RevueGlobal Environmental Change · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSustainability and Climate Change Governance
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésTransformative learningReflexivityAdaptation (eye)Climate changeClimate justicePower (physics)SociologyClimate change adaptationEconomic JusticeEnvironmental ethicsPolitical scienceEnvironmental resource managementSocial sciencePsychologyEnvironmental scienceLawPhilosophyGeologyOceanographyPedagogy

Résumé

récupéré en direct d'OpenAlex

• Provides strong normative grounding for the idea and practice of transformative adaptation. • Contends that transformative adaptation requires transformation among those who implement interventions. • Presents four vectors of transformative adaptation as a reflexive form of organisational learning. • Highlights the importance of power, knowledge, coalitions and tradeoffs within programming. • Provides a clear guide to existing literature on transformative adaptation. Transformative adaptation requires transformation among those who fund, plan, implement and evaluate interventions. In response, we emphasise the need for donor and implementing organisations to self-reform to create the necessary space and support for adaptation projects that embrace a transformative ethos. We argue that projects can appropriately centre justice as the primary goal of transformative adaptation by (1) confronting power relations, (2) embracing knowledge pluralism, (3) fostering bottom-up coalitions, and (4) recognizing trade-offs and unexpected outcomes. At the heart of this reflexive approach is the foregrounding of learning processes targeted towards shifting knowledge and power that is critical to avoid adaptive outcomes that exacerbate the vulnerability and exclusion of already 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 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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,629
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,028
Tête enseignante GPT0,291
Écart entre enseignants0,262 · 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.

Devis d'étudeObservationnel
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

Citations33
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGlobal Environmental ChangeMême sujetSustainability and Climate Change GovernanceTravaux en français237 207