Toward Co‐Designed Earth System Models: Reflecting End‐User Priorities in Local Applications From a Modeler's Perspective
Notice bibliographique
Résumé
Abstract Earth System Models (ESM) are crucial for quantifying climate impacts across Earth's interconnected systems and supporting science‐based adaptation and mitigation. However, not including end‐users, especially decision‐makers representing communities vulnerable to climate change, can limit model utility, increase epistemic risks, and lead to information misuse in decision‐making. While the ESM community increasingly values broad community engagement, end‐users may not initially perceive models as useful for local planning. Co‐designing models with end‐users fosters two‐way learning: users better understand models and their outputs, while modelers gain insights into fine‐scale local processes like monitoring practices and management priorities. Higher‐level co‐design can lead to more customized, priority‐driven, and useful modeling products. Despite these benefits, modelers often struggle to initiate meaningful partnerships with local communities. Therefore, this paper explores model co‐design from the perspective of modelers. This study presents two case studies where modelers and social scientists collaborated with Indigenous communities' decision‐makers to reflect their priorities in model design and application. In the Arctic Rivers Project, high‐resolution climate and hydrology data sets for Alaska were developed with guidance from an Indigenous Advisory Council, using optimized, coupled land‐atmosphere models. In the Mid‐Klamath Project, we partnered with the Karuk Tribe's Department of Natural Resources to assess climate change and prescribed burning impacts on terrestrial hydrology in the Klamath River Basin. Drawing from these studies, we introduce a four‐level framework: (a) Co‐design Configuration; (b) Model Tuning; (c) Incorporate Contextual Knowledge; (d) Co‐develop New Model Functions. We aim to help researchers consider and compare co‐design across diverse modeling projects systematically and coherently.
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 | 0,048 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,011 | 0,013 |
| Science ouverte | 0,004 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,005 |
| 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 ».