Navigating Uncertainties: Analyzing Climate Programs Monitoring in Canada
Bibliographic record
Abstract
Les mécanismes de surveillance politique sont essentiels pour évaluer le développement et l'efficacité des programmes climatiques publics. Malgré l'importance stratégique de l'information divulguée dans les documents de surveillance, les facteurs qui entachent la crédibilité des données sont peu étudiés. Le présent article explore la complexité de mesurer et de surveiller les programmes publics conçus pour réduire les émissions de gaz à effet de serre (GES). D'après une analyse de 164 feuilles de surveillance de la performance et des entrevues avec 30 gestionnaires de programmes et spécialistes du développement durable, les résultats font ressortir quatre grands facteurs susceptibles d'expliquer les décisions du service de ne pas évaluer les effets des divers programmes sur la réduction des GES ou d'adopter des indicateurs de performance imprécis. Ces facteurs incluent les effets combinés des programmes, les incertitudes des mesures de GES, la mesurabilité de la réduction des GES et des facteurs bureaucratiques et administratifs complexes. La comparaison des pratiques des divers services a également révélé quatre attitudes envers la mesure de réduction des émissions de GES : réalisme métrologique, légitimité interne, légitimité externe et scepticisme métrologique. Cette analyse a contribué à déterminer les difficultés sous-estimées de la mesurabilité de la performance climatique dans la sphère publique, ce qui laisse supposer qu'il faut une approche multidimensionnelle pour relever ces défis. Les décideurs publics doivent analyser les méthodes utilisées pour évaluer l'efficacité des programmes publics et favoriser la collaboration de multiples intervenants pour améliorer la prévisibilité des répercussions et la création de modèles de mesures adaptées aux contextes pour réduire les GES.
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 | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.009 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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".