How is Canada’s energy future projected? A case study for synthesis mapping in net-zero energy modelling
Notice bibliographique
Résumé
Synthesis mapping is a tool used to visually communicate evidence and expertise of a multi-layered system. It distinguishes itself from other forms of systems mapping with the use of visual metaphors, an iterative approach, and the end goal of enabling stakeholder discourse. The work of Jones et al. (2017) provides an exemplary demonstration of this technique. Energy system modelling, on the other hand, is a largely computational approach. Models typically use depictions that are calculative formulas or workflow diagrams for use by other experts in the field and are often stand-alone. Arguably, energy system modelling itself is a multi-layered system. These layers consider the use of energy across sectors, what energy is available, and impactful trends from other domains of expertise. While not a social system itself, a more common application for synthesis maps, energy system modelling can have some impact on social systems. This is particularly true if used by policy analysts in the shaping of government policies. As Canadians and policymakers increasingly look to modellers for insights on complex questions about energy, energy system modelling is facing new interest in its method from stakeholders who may not be modellers themselves. As such, synthesis mapping presents a unique opportunity to share this knowledge. This paper explores one such opportunity in the communication of the Energy Futures Modeling System. Developed and used by the Canada Energy Regulator to produce yearly energy projections, this energy modelling system is newly pictured in an accessible format on a publicly available website. This paper demonstrates a process for synthesis mapping in this unique context and proposes its application to new contexts.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».