Metrics for biodiversity and health policy integration
Notice bibliographique
Résumé
Despite over a decade of progressive commitments from parties to the Convention on Biological Diversity (CBD), integrated biodiversity and health indicators and monitoring mechanisms remain limited, hampering achievement of the sustainable development goals and improvements in health and well-being. Adoption of the Kunming-Montreal Global Biodiversity Framework (2022) and the Global Action Plan on Biodiversity and Health (2024) provide a renewed entry point to shape the way governments approach health and wellbeing and address the environmental burden of disease. This is a critical opportunity that scholars at the health-environment nexus should not miss. This Perspective outlines building blocks to mobilize the field, starting with essential terminology and a scope of metrics needed by governments. We then evaluate elements to be considered in the construction of integrated metrics, including concepts, overarching challenges, a review of scientific hypotheses from an ecological perspective, as well as a set of principles and characteristics for indicators. To raise awareness across parallel communities of practice working at the health-environment nexus, we then briefly examine four approaches to integrated metrics developed by: conservationists, Indigenous scholars, One Health experts, and planetary health experts. We conclude with actionable steps to enhance governance, mobilize funding, and apply integrated indicators in national and global strategies. A broad science community is needed to support national governments to meet global commitments to address biodiversity loss and the environmental burden of disease concurrently. The overall aim of this paper is to contribute to addressing biodiversity loss by effectively linking policy and transdisciplinary practice at the health-environment nexus.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».