Analyse du rôle des données probantes produites par les modèles d’évaluation intégrée dans l’intervention du gouvernement fédéral du Canada en matière de lutte aux changements climatiques
Bibliographic record
Abstract
Le choix des cibles climatiques et des moyens d’intervention sont des décisions complexes et difficiles à prendre lors de l’élaboration de politiques climatiques. Les données probantes jouent un rôle crucial pour aider les décideurs politiques à prendre des décisions éclairées en matière de lutte contre les changements climatiques. Utiles pour produire des données probantes, les modèles d’évaluation intégrée (MEI) sont un outil économique et climatique créé pour aider les décideurs politiques à développer des politiques climatiques efficaces. Les implications de chaque politique climatique peuvent ainsi être connues. La recherche vise à comprendre comment les données probantes produites par les MEI sont utilisées dans l’intervention du gouvernement fédéral du Canada en matière de lutte aux changements climatiques. La revue de littérature, les entrevues et la modélisation de scénarios réalisées dans le cadre de la recherche ont permis de faire ressortir que les données probantes, produites par les MEI, font partie des informations détenues par le gouvernement fédéral du Canada. Leur utilisation n’est cependant pas toujours présente dans le processus décisionnel. L’utilité des données probantes varie de manière considérablement en fonction des décisions à prendre. La recherche tend à démontrer que les résultats des MEI sont utilisés en fonction de ce que les décideurs souhaitent adopter comme politiques climatiques. Actuellement, les données probantes produites par les MEI se limitent essentiellement à un rôle informatif et de support des décisions du gouvernement.
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 | 0.016 | 0.045 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 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".