Enjeux d’inégalités associées aux solutions d’adaptation aux changements climatiques : qu'est-ce qu'on en sait ?
Bibliographic record
Abstract
Au Québec, face aux impacts des changements climatiques et à leurs conséquences, de nombreuses instances publiques, privées et communautaires mettent en place des solutions d'adaptation pour renforcer la résilience aux changements climatiques des populations. Des études font maintenant un lien entre les options d'adaptation et le potentiel de génération ou l'exacerbation d'inégalités. Le dossier des inégalités liées aux solutions d'adaptation aux changements climatiques (ACC) apparaissait de plus en plus, pour Ouranos et ses partenaires, comme étant un enjeu à documenter, d'autant plus lorsqu'on met de l'avant la volonté d'accélérer l'adaptation. Il était donc pertinent, afin de bien accompagner les acteurs de l'adaptation, d'établir une base, pour repérer les concepts clés qui permettent d'explorer les mécanismes qui ont aidé à répondre à des enjeux semblables, d'évaluer les méthodes d'analyse utilisée, de faire ressortir les forces, les faiblesses et les controverses des idées établies dans le domaine. Quelques mécanismes existent pour permettre le repérage de ces enjeux d’inégalités. Des auteurs proposent des solutions d’adaptation alternatives aux changements climatiques pour réduire les inégalités. En dépit des progrès réalisés depuis quelques années, plusieurs facettes de l'enjeu des inégalités engendrées ou potentiellement engendrées par les solutions d’adaptation restent à explorer : des solutions et des secteurs d’activité sont peu documentés, des populations et des régions sont moins étudiées que d’autres et certains processus comme les méthodes de suivi et d’évaluation des solutions d’adaptation mériteraient que les chercheurs s'y attardent davantage.
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 | 0.013 | 0.032 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".