Early Warnings, No Actions: A Practice Perspective on Barriers to Anticipatory Action Approaches
Notice bibliographique
Résumé
ABSTRACT Within the manifold approaches of climate adaptation efforts and resilience building, anticipatory action (AA) presents a promising, novel approach that emphasizes acting before a disaster strikes, shifting from reactive crisis response to proactive preparedness. Taking a management and coordination perspective, this paper analyzes challenges to the successful implementation of AA. Drawing on interviews, focus group discussions, meetings and observations with local communities, AA practitioners, local governments and the implementing humanitarian agency in flood‐prone regions of Nigeria, this paper identifies five key barriers to AA. These barriers include conflicting timeframes between actors, tensions between short‐term feasibility and long‐term needs, competing priorities between anticipatory and reactive approaches, structural challenges in integrating AA into existing systems, and trade‐offs related to the reliability and credibility of forecasting data. The findings show that these barriers are not isolated or stable, but co‐enacted through interrelated practices of multiple actors involved in implementing AA. Adopting a practice perspective on barriers reveals how misalignments in temporalities, priorities, structures, and scales are co‐constructed, helping to explain their persistence. We argue that addressing these challenges requires a shift from technical fixes of AA toward a systemic perspective that understands AA as a dynamic and complex governance challenge.
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 | 0,089 | 0,110 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,039 |
| Communication savante | 0,020 | 0,017 |
| Science ouverte | 0,004 | 0,014 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».