Operationalizing longitudinal approaches to climate change vulnerability assessment in the Arctic
Notice bibliographique
Résumé
The last decade has seen a proliferation of community-scale climate change vulnerability assessments globally, and specifically in the Arctic. Many of these have employed a vulnerability framework, drawing upon interviews with community members to identify and characterize climatic risks and adaptive responses. This has led to the development of useful baseline understandings of vulnerability and adaptation. However, these understandings aretemporally static; because vulnerability and adaptation are dynamic processes, new methodologies are needed to generate insights on the dynamics of how climate change is experienced and responded to by communities and individuals. The use of longitudinal approaches to capture the dynamism of human processes is wellestablished in sociology and the health sciences, but the uptake of such approaches remains limited in climate change vulnerability research. Therefore, we propose the application of two longitudinal approaches – cohort and trend studies – in climate change vulnerability assessment and review three case studies from ArcticNet research in the Canadian Arctic. These case studies offer an example of how longitudinal approaches can be operationalized in vulnerability research in the Arctic, and globally, to capture the dynamism of vulnerability through the identification of climatic anomalies and trends, the temporal development of adaptive pathways and the effects of interactions and convergences between conditions, and insights on themes critical to understanding adaptation such as social learning and knowledge sharing. This research is part of ArcticNet Project 1.1 Community Vulnerability, Adaptation and Resilience to Climate Change in the Arctic.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».