Mapping the evidence of "ocean-based solutions" to address climate challenges
Notice bibliographique
Résumé
Ocean-based "solutions" are receiving increasing attention for their potential to mitigate greenhouse gas emissions and to help in climate change adaptation, with high expectations for their success. Whether this optimism is justified based on scientific evidence remains elusive; the large volume of literature makes it difficult to synthesize the state of knowledge in terms of implementation and effectiveness to contribute to the solution space and support decision making. With recent advancements in large language machine learning models, it is now possible to address this need. Here we present a machine learning-based map of the scientific evidence surrounding these options. This map informs a suite of evidence syntheses that contribute finer-scale nuance to crucial research questions. Our evidence map charts the knowledge clusters and gaps characterizing the landscape of this burgeoning field of almost 45,000 scientific articles. We show that research is siloed across the different options, implying a lack of evidence on the synergies and trade-offs between multiple options. We also find that research is constrained to specific ecosystems and climatic-impact drivers. The geographical distribution of scientific literature reveals spatial mis-matches between research effort and needs, where developing coastal countries at high-risk from coastal hazards receive less empirical research. From this uneven research landscape, we identify crucial evidence synthesis needs across four key research themes: disentangling links between the research, policy and deployment of mitigation options; biodiversity impacts of ocean-related options; the effectiveness of restoration options for climate action; and options for adaptive fisheries in a changing ocean. The addition of these cutting-edge findings adds sharper contours to our understanding of the effectiveness, equitability, safety and influences of these options.
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 | 0,031 | 0,173 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,029 | 0,026 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,013 | 0,012 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».