Classifying climate vulnerability and inequalities in India, Mexico, and Nigeria: A latent class analysis approach
Notice bibliographique
Résumé
Abstract The climate crisis exacerbates social, economic, and health disparities. This study employs innovative methods to identify distinct groups affected by recent climate events. A mobile phone-based survey was conducted in April 2022 with individuals residing in multiple climate-affected states across three countries: India ( n = 1020), Mexico ( n = 1020), and Nigeria ( n = 1021). Latent class analysis and classification and regression tree analysis were used to identify the groups most exposed to climate events, the effects and responses taken, and then to identify the characteristics associated with group membership. Effects included housing damage or lost work, while responses included actions such as borrowing money or dropping out of school. Findings revealed four distinct groups: Group 1 reported low exposure, no effects, or responses (49% of respondents in India, 43% in Mexico, and 27% in Nigeria); Group 2 experienced multiple hazards with moderate effects and some responses; Group 3 was characterized by drought exposure with more effects and responses taken; Group 4 was affected by heavy flooding and rainfall with varied effects. Notably, India had the largest proportion of respondents in Group 3 (17%), in Mexico over a quarter (29%) were in group 4, while over half of Nigerian respondents were in Group 2 (52%). Characteristics associated with membership in each group varied by country. Overall, men from rural areas with lower incomes and reliant on agriculture experienced the highest levels of exposure and vulnerability, while urban women from higher-income households were the least affected. This study underscores the importance of considering the intersectionality of risk and vulnerability when formulating policies and programs to address the impacts of climate change. Results emphasize the need for multi-sectoral policies that target the needs of different groups, to reduce inequalities and tailor to the context-specific needs of the most vulnerable people and households.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».