Wegen vooruit voor mondiale synthese van adaptatie-evidence voortbouwend op de Global Adaptation Mapping Initiative

Waarom dit ertoe doet in onze veranderende wereld

Nu de gevolgen van het klimaat verergeren, proberen landen en gemeenschappen overal zich aan te passen—door kusten te beschermen, steden opnieuw te ontwerpen, water en gezondheid te waarborgen, en veel meer. Maar met tienduizenden studies die deze inspanningen beschrijven, is het bijna onmogelijk geworden om bij te houden wat er daadwerkelijk wordt geprobeerd, waar en met welke resultaten. Dit artikel blikt terug op een grootschalige wereldwijde inspanning, de Global Adaptation Mapping Initiative (GAMI), die tot doel had om menselijke reacties op klimaatverandering wereldwijd systematisch in kaart te brengen, en destilleert lessen over hoe we deze groeiende informatiestroom beter kunnen omzetten in bruikbare richtlijnen voor besluitvormers.

Een mondiale inventarisatie van hoe mensen zich aanpassen

GAMI was een groot, gemeenschapsgestuurd project met 129 onderzoekers wereldwijd. Met behulp van machine learning om bijna 50.000 wetenschappelijke artikelen te scannen en een diepgaande menselijke beoordeling van 1.682 studies, creëerde het team een database van concrete acties die mensen ondernemen om met klimaatverandering om te gaan. Deze acties bestrijken sectoren zoals water, gezondheid, bossen, steden en landbouw, en regio’s van berggemeenschappen tot kustmegasteden en droge gebieden in Afrika. De database is een referentiepunt geworden voor het begrijpen van mondiale adaptatie en heeft al bijgedragen aan 18 meer gerichte studies en belangrijke beoordelingen zoals de rapporten van het Intergouvernementeel Panel inzake Klimaatverandering (IPCC) en het VN-klimaatproces.

Wat werkte en wat tekortschoot

Om GAMI’s sterke en zwakke punten te begrijpen, ondervroegen de auteurs 59 mensen die hadden geholpen het project te leiden, te coderen of de data te analyseren. De respondenten waren het erover eens dat GAMI een sterke impact had op wetenschap en beleid: het is veel geciteerd, heeft grote internationale rapporten geïnformeerd en heeft geholpen een mondiale gemeenschap van adaptatieonderzoekers op te bouwen, waarbij vooral beginnende onderzoekers en onderzoekers uit lage- en middeninkomenslanden profiteerden. Tegelijkertijd brachten deelnemers en recensenten belangrijke punten van zorg naar voren. Omdat GAMI informatie uit vele casestudies in gemeenschappelijke categorieën aggregeert, kunnen lokale details vervagen—bijvoorbeeld hoe adaptatie zich werkelijk voltrekt op kleine eilanden, in bossen of in specifieke steden. Er zijn ook geografische en taalkundige onevenwichtigheden: door te focussen op peer-reviewed artikelen die in het Engels zijn geïndexeerd, valt veel lokale en niet-Engelstalige kennis weg, inclusief informele praktijken en inheemse benaderingen.

De afwegingen van het in kaart brengen van de hele planeet

De enquête benadrukt een centrale spanning: om de wereld te dekken moest GAMI diepgang opofferen. Eén enkele codeboek werd gebruikt om veel verschillende soorten studies te classificeren—van technische projecten tot gemeenschapsinitiatieven—onder gedeelde koppen zoals type reactie, betrokken actoren of hoe snel veranderingen plaatsvinden. De verschillende disciplinaire achtergronden van codeurs maakten consistente interpretatie uitdagend, en het samenvoegen van casestudies uit meerdere landen tot enkele database-items wist soms context uit. Respondenten beoordeelden de algehele betrouwbaarheid, validiteit en bruikbaarheid van de database als goed, maar merkte op dat deze het beste brede trends vastlegt in plaats van fijnmazige inzichten. Gebruikers die specifieke thema’s wilden onderzoeken, zoals rechtvaardigheid of bepaalde regio’s, moesten vaak deelverzamelingen van de data opnieuw coderen om verloren nuance terug te krijgen.

Het bouwen van eerlijkere en snellere kennissystemen

Het uitvoeren van zo’n enorme handmatige inspanning vergde veel onbetaalde uren, en de werklast was vooral zwaar voor bijdragers in het mondiale zuiden en voor beginnende onderzoekers die andere verantwoordelijkheden combineerden. De leiderschapsteams werden nog steeds gedomineerd door onderzoekers uit het mondiale noorden, hoewel auteurschapsregels en latere syntheseteams naar een betere regionale balans bewegden. Vooruitkijkend zien respondenten potentieel in het combineren van menselijke expertise met kunstmatige intelligencetools zoals natuurlijke taalverwerking. Deze methoden kunnen helpen meer soorten materiaal te scannen—niet alleen tijdschriftartikelen maar ook overheidsrapporten, documenten van niet-gouvernementele organisaties, juridische teksten en datasets—en een "levende" database bij te houden naarmate nieuw werk verschijnt. Ze benadrukken echter ook dat AI-systemen transparant moeten zijn, getraind op hoogwaardige data en worden gecontroleerd door experts om bevooroordeelde of misleidende resultaten te voorkomen.

Hoe dit de volgende golf van klimaatactie kan sturen

Al met al concluderen de auteurs dat GAMI heeft bewezen dat het mogelijk is om een wereldwijde momentopname te maken van hoe mensen zich aanpassen aan klimaatverandering, en dat dit soort synthese van vitaal belang is voor internationale processen die beoordelen of de wereld gelijke tred houdt met stijgende risico’s. Maar het laat ook zien dat overzichten op grote schaal slechts zo goed zijn als de keuzes erachter: welke studies worden opgenomen, hoe concepten worden gedefinieerd, wie de codering doet en hoe lokale kennis wordt behandeld. Een toekomstige "GAMI 2.0" zal stabiele financiering, inclusiever leiderschap, duidelijkere standaarden voor het rapporteren van adaptatiewerk en zorgvuldig ontworpen mens–AI-partnerschappen nodig hebben. Goed uitgevoerd kunnen dergelijke inspanningen verspreide verhalen over adaptatie omzetten in tijdige, betrouwbare richtlijnen die gemeenschappen, overheden en organisaties helpen slimmer te kiezen in een opwarmende wereld.

Bronvermelding: Petzold, J., Garschagen, M., Biesbroek, R. et al. Ways forward for global adaptation evidence synthesis building on the Global Adaptation Mapping Initiative. Commun. Sustain. 1, 62 (2026). https://doi.org/10.1038/s44458-026-00071-5

Trefwoorden: aanpassing aan klimaatverandering, evidence synthese, Global Adaptation Mapping Initiative, kunstmatige intelligentie in onderzoek, globaal klimaatbeleid