Transport emissions and climate change: Which actions are the hardest?
Notice bibliographique
Résumé
• This study investigated the general difficulty of climate change behaviors. • Living vehicle-free was the hardest climate change behavior for Canadians. • Among transport-based actions, using a plug-in hybrid car is the simplest. • There is a high correlation between transport-based behaviors with CC-SoC. Climate change is a global challenge, making this a crucial time for altering human behaviors to mitigate its effects. This study investigates the difficulty or ease of different climate change-related behaviors, particularly those associated with transportation. To this end, the Rasch model is employed. This paper also intends to examine the link between those behaviors and a robust measure to evaluate individuals’ environmental behaviors and attitudes, called the Climate Change Stage of Change (CC-SoC). In this regard, a machine learning method ranks various climate change-related behaviors according to their influence on CC-SoC. The findings indicate that transport-based actions are generally among the most challenging to change, with living without a vehicle being the most difficult. Avoiding long-haul flights, using an electric vehicle, and riding an electric-assist bicycle were within the top five determinants of CC-SoC, indicating the strong influence of transport-related behaviors on climate change. The findings of this study are critical for informing transport policy, since they help identify which behavioral shifts are most impactful yet most resistant to change, allowing for more targeted and effective interventions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| 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 ».