Prévenir la maladaptation dans l’action climatique : une lunette « équité »
Bibliographic record
Abstract
S’adapter aux conséquences des bouleversements climatiques implique des changements majeurs dans plusieurs sphères de la vie quotidienne : travail, loisirs, transports, alimentation, logement, etc. Des politiques structurantes devront être mises en place par tous les paliers de gouvernement. Or, tous les individus ne disposent pas des mêmes moyens pour s’adapter, ni ne participent de façon équivalente aux changements climatiques. C’est en modulant la distribution des efforts et des bénéfices qu’il sera possible d’assurer des mesures d’adaptation équitables. Pour ce faire, il semble judicieux de prioriser l’équité et la multiplication des cobénéfices sur la santé. Le verdissement, fort des cobénéfices sur la santé qu’il procure, figure parmi les mesures d’adaptation reconnues qui s’offrent aux villes. Il peut toutefois avoir des effets indésirés et délétères, surtout pour des populations en situation de vulnérabilité. L’éco-embourgeoisement, par exemple, peut découler du verdissement de quartiers abritant des populations à plus faible revenu et engendrer leur déplacement. Pourtant, ces quartiers historiquement moins pourvus d’arbres et d’espaces verts devraient être verdis en priorité pour réduire les inégalités environnementales. Heureusement, des pistes d’interventions s’offrent aux municipalités dans cet exercice d’équilibriste pour faire du verdissement une solution d’adaptation réellement juste.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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 teacher head, 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".