MétaCan
Menu
Retour à la cohorte
Enregistrement W4409445402 · doi:10.1080/17477891.2025.2491363

Navigating land use after managed retreat: decisions facing local governments in the post-buyout environment

2025· article· en· W4409445402 sur OpenAlexaffabout
Shaieree Cottar, Daniel Henstra, Jason Thistlethwaite, Brent Doberstein, Johanna Wandel

Notice bibliographique

RevueEnvironmental Hazards · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueClimate Change, Adaptation, Migration
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésBusinessEnvironmental planningEnvironmental resource managementNatural resource economicsEnvironmental scienceEconomics

Résumé

récupéré en direct d'OpenAlex

Five years following the Quebec Spring 2019 floods in Canada, the City of Gatineau is grappling with questions on how to move forward with municipal land use plans that integrate provincial flood protection policies. This longitudinal study analyses the policy changes in the Province of Quebec’s flood management regime and assesses the post-buyout land use decision making process. Using mixed methods, we explore the evolution of buyout policies, assess the challenges in maintaining both occupied and vacant lots, and document potential post-buyout land use options that would reconcile the benefits of floodplain restoration and provide recreational spaces for the community. The results indicate the institutional alignment of provincial buyout policies and regulatory tools, such as the special intervention zone that support the relocation of residents whilst acknowledging that some areas are no longer viable and prohibiting future redevelopment. This Canadian case study illustrates a municipality that has developed a community master plan though a lack of funding and direction from senior governments continues to hinder the city’s progress indicating that flood risk management is challenging to implement without the adequate coordination of responsibility and elimination of fragmentation between different levels of government.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,948
Score d'incertitude au seuil0,427

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0120,005
Communication savante0,0060,002
Science ouverte0,0020,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,033
Tête enseignante GPT0,289
Écart entre enseignants0,256 · 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'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

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmental HazardsMême sujetClimate Change, Adaptation, MigrationTravaux en français237 207