Cross-disciplinary Perspectives on Developing Global Datasets and Indicators for Monitoring Climate Change Education and Communication (CCE)
Notice bibliographique
Résumé
Abstract Climate change education and communications (CCE) has long been recognized as a critical vehicle for increasing human and institutional capacity to mitigate against further climate change and to adapt to its impact. However, the global community lacks robust cross-national data and global indicators to measure and monitor progress in the planning, implementation, and delivery of CCE at the national and intergovernmental levels. This paper offers a synthesis of insights from interdisciplinary literature on indicator development conducted across the areas of education, education for sustainable development (ESD), communication and biodiversity and climate change. Bringing together independent histories of developing indicators for global benchmarking and target setting supports insights for the more nascent area at their intersections, that is, CCE. On the basis of the literature review, the orientation of ideal indicators could be synthesized as a guiding idea for indicator development. Ideal indicators have real-world congruence and are built on feasible data elicitation; they facilitate solutions for climate change and leverage political and public attention. In this article’s conclusion, we identify key challenges that can compromise indicators in the context of CCE (e.g., “smallest common denominator” -solutions) as well as possible countermeasures against these challenges.
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 | 0,278 | 0,260 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,016 | 0,022 |
| Études des sciences et des technologies | 0,004 | 0,016 |
| Communication savante | 0,020 | 0,024 |
| Science ouverte | 0,005 | 0,018 |
| Intégrité de la recherche | 0,005 | 0,007 |
| 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 ».