A review of passive design strategies and their effect on thermal resilience in low-income households
Notice bibliographique
Résumé
Climate change is causing more frequent and extreme weather events (e.g., heat waves and ice storms) that disproportionately impact low-income households with poor building conditions. Passive design strategies offer a promising solution to enhance building thermal resilience; however, little is known about their actual application and effectiveness in low-income households under different climate conditions. This paper presents a scoping literature review of 123 articles that evaluated passive design strategies applied to low-income housing contexts. The detailed article review shows that wall- and roof-related passive design strategies (e.g., insulation, sealing) are the most frequently studied and effective strategies, increasing comfort hours and energy savings with a wide variation of up to 24 % and 67 %, respectively. Combined strategies often outperformed individual strategies. In contrast, some studies reported unintended consequences following the adoption of passive design strategies, such as increases in energy demand reaching as high as 50 %. Such findings shed light on the need for design processes to consider multiple performance metrics, as well as behavioural and socio-economic factors that require more in-depth investigation, such as energy poverty and rebound effects. Detailed recommendations are finally provided to guide future research and applications on the topic, covering the need to (i) explore and combine underrepresented thermal resilience strategies and metrics, (ii) follow more standardized reporting practices, (iii) quantify costs and identify implementation barriers, and (iv) integrate participatory research methods to support technical assessments with contextual knowledge of the studied low-income households and communities.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».