Enfoques de sistemas socioecológicos, esenciales para comprender y responder a los impactos complejos de COVID-19 en las personas y el medio ambiente
Bibliographic record
Abstract
La pandemia de la enfermedad del coronavirus 2019 (COVID-19) está impactando dramáticamente los sistemas sociales planetarios y humanos que están inseparablemente vinculados. Las enfermedades zoonóticas como la COVID-19 exponen cómo el bienestar humano está inextricablemente interconectado con el medio ambiente y con otras crisis socioecológicas convergentes (impulsadas por los humanos), como las pérdidas dramáticas de biodiversidad, el cambio en el uso de la tierra y el cambio climático. Argumentamos que el COVID-19 es en sí mismo una crisis socioecológica, pero hasta ahora las respuestas no han incluido la resiliencia ecológica, en parte porque la metáfora de la “Antropausa” ha creado una sensación poco realista de comodidad que excusa la inacción. Las narrativas de la antropausa desmienten el hecho de que la extracción de recursos ha continuado durante la pandemia y que los negocios como de costumbre continúan causando una degradación generalizada del ecosistema que requiere atención política inmediata. En algunos casos, las medidas de política de COVID-19 contribuyeron aún más al problema, como la reducción de los impuestos ambientales o la aplicación de las normas. Mientras que algunos sistemas socioecológicos (SSE) están experimentando impactos reducidos, otros están experimentando lo que llamamos un "Antrochoque", con más visitantes y un uso intensificado. Las diversas causas e impactos de la pandemia se pueden comprender mejor con una lente socioecológica. Los conocimientos socioecológicos son necesarios para planificar y desarrollar la resiliencia necesaria para enfrentar la pandemia y futuras crisis socioecológicas. Si nosotros, como sociedad, nos tomamos en serio la reconstrucción mejor de la pandemia, debemos adoptar un conjunto de respuestas de investigación y políticas informadas por el pensamiento SSE.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".