DSpace Repository

Nazarbayev University Repository (NUR) is an institutional electronic archive designed for the long-term preservation, aggregation, and dissemination of scientific research outcomes and intellectual property produced by the Nazarbayev University community and affiliated organizations.

Communities in DSpace

Select a community to browse its collections.

Now showing 1 - 5 of 5

Recent Submissions

Access status: Embargo ,
Non-Pervasive Injury Prediction in Sports
(Nazarbayev University School of Engineering and Digital Sciences, 2026-08) Khegay, Viktor; Hashim, Ali
Injury prediction often depends on wearable sensors or clinical measurements that is difficult to collect continuously. Routine non-pervasive data provide a more accessible alternative, however their predictive value remains uncertain. To determine, whether fuller non-pervasive monitoring improves short-horizon injury prediction beyond workload-only features and to identify the self-reported measurements that were used most consistently by the models. A secondary analysis was conducted using the existing Athletic Runners and SoccerMon datasets as separate prediction tasks. Each record used monitoring data from the seven days before a dataset-specific injury outcome. The final tests included 10 held-out athletes per dataset: 3,044 runner records with 50 injury labels and 7,310 soccer player records with 62 injury events. Bagged XGBoost ensembles contained 9 balanced classifiers in each of 5 training repeats. There was separate probability calibration and threshold selection processes. Final test performance was measured using ROC-AUC, sensitivity and specificity. Grouped permutation test was used to measure average precision loss for each self-reported domain. In Athletic Runners, fuller monitoring increased mean ROC-AUC from 0.611 to 0.627, a mean difference of 0.016; sensitivity increased from 0.592 to 0.696, while specificity decreased from 0.587 to 0.443. In SoccerMon, mean ROC-AUC increased from 0.445 to 0.790, a mean difference of 0.345; sensitivity increased from 0.361 to 0.865, while specificity decreased from 0.721 to 0.554. Fuller monitoring had higher ROC-AUC in all 5 repeats for both tasks. Perceived recovery had the strongest self-reported association in Athletic Runners, while sleep duration and fatigue were strongest in SoccerMon. These findings suggest that routine self-reported information can provide predictive value beyond workload data alone, specifically when it captures dataset-relevant aspects of athlete recovery and well-being. Жарақаттарды болжау көбіне денеге тағылатын сенсорларға немесе үздіксіз жинау қиын клиникалық өлшемдерге сүйенеді. Күнделікті жиналатын инвазивті емес деректер қолжетімді балама бола алады, алайда олардың болжамдық құндылығы әлі де анық емес. Зерттеудің мақсаты — кеңейтілген инвазивті емес мониторингтің тек жаттығу жүктемесіне қатысты белгілерге негізделген тәсілмен салыстырғанда қысқа мерзімді жарақаттарды болжауды жақсартатынын анықтау және модельдер ең тұрақты пайдаланған, спортшылардың өздері хабарлаған көрсеткіштерді айқындау. Қолданыстағы Athletic Runners және SoccerMon деректер жиынтықтарына бөлек болжау міндеттері ретінде екінші реттік талдау жүргізілді. Әрбір жазбада тиісті деректер жиынтығында анықталған жарақат нәтижесінің алдындағы жеті күннің мониторинг деректері пайдаланылды. Қорытынды тестілеуге әр деректер жиынтығынан оқытуға қатыспаған 10 спортшы енгізілді: жүгірушілер бойынша жарақат белгісі бар 50 жазбаны қамтитын 3 044 жазба және футболшылар бойынша 62 жарақат оқиғасын қамтитын 7 310 жазба. Оқытудың 5 қайталануының әрқайсысында бэггинг әдісімен құрылған XGBoost ансамбльдері теңгерілген деректермен оқытылған 9 жіктеуіштен тұрды. Ықтималдықтарды калибрлеу және шекті мәнді таңдау бөлек жүргізілді. Қорытынды тестілеудегі модельдердің нәтижелілігі ROC-AUC, сезімталдық және ерекшелік көрсеткіштері арқылы бағаланды. Спортшылар өздері хабарлаған көрсеткіштердің әрбір тобы үшін орташа дәлдіктің (average precision) төмендеуін өлшеу мақсатында топтық пермутациялық тест қолданылды. Athletic Runners деректер жиынтығында кеңейтілген мониторинг орташа ROC-AUC мәнін 0,611-ден 0,627-ге дейін арттырды, орташа айырма 0,016 болды; sensitivity 0,592-ден 0,696-ға дейін артты, ал specificity 0,587-ден 0,443-ке дейін төмендеді. SoccerMon деректер жиынтығында орташа ROC-AUC мәні 0,445-тен 0,790-ға дейін артты, орташа айырма 0,345 болды; sensitivity 0,361-ден 0,865-ке дейін артты, ал specificity 0,721-ден 0,554-ке дейін төмендеді. Екі міндет бойынша да кеңейтілген мониторинг барлық 5 қайталануда жоғары ROC-AUC мәнін көрсетті. Спортшылар өздері хабарлаған көрсеткіштердің ішінде Athletic Runners деректер жиынтығында қалпына келу деңгейінің субъективті бағасы, ал SoccerMon деректер жиынтығында ұйқы ұзақтығы мен шаршау ең күшті болжамдық байланысты көрсетті. Бұл нәтижелер спортшылардың күнделікті өздері хабарлайтын ақпараты, әсіресе тиісті деректер жиынтығы үшін маңызды қалпына келу және жалпы хал-жағдай қырларын қамтыған кезде, тек жаттығу жүктемесі туралы деректермен салыстырғанда қосымша болжамдық құндылық бере алатынын көрсетеді.
Access status: Embargo ,
Multimodal Cross-Device Human Behavior Understanding Using Facial and Physiological Signals
(Nazarbayev University School of Engineering and Digital Sciences, 2026-07-10) Yernar, Serik; Yazici, Adnan
Understanding human behavior across multiple devices has become an important research topic in the field of machine learning. In the modern environment sensing devices such as cameras and wearable devices collect different types of data which provide complementary information about user’s state. In particular, facial expressions which are captured by cameras and physiological signals collected from wearable devices such as smartwatches, offer valuable insights about human stress and behavior. This thesis paper proposes a multimodal cross-device framework for stress recognition based on facial video and physiological signals. The proposed system extracts visual information, PPG and EDA signals from facial expressions and physiological information, respectively, and combines them. Deep-learning based architecture, where facial features extracted using convolutional neural network (CNN) based on ResNet-50, and physiological signals processed using one-dimensional convolutional neural network (1D CNN), was developed. The results show that PPG is the strongest single modality achieving 0.600±0.052 accuracy and 0.602 ± 0.050 macro-F1. The best overall performance is achieved by Video and PPG late fusion model with video weight of 0.20 which has 0.637 ± 0.078 accuracy and 0.640 ± 0.077 macro-F1. It shows improvement of approximately 11.6 macro-F1 percentage over video model and 3.8 macro-F1 percentage over the PPG model. Intermediate feature fusion does not outperform late fusion which means that decision-level fusion is more robust for this dataset. Additional reference experiments show that binary classification is easier than three-class recognition and that subject-dependent 5-fold cross-validation can strongly affect video based performance by subject specific facial information. Therefore, the subject-independent three-class is used as the main evaluation protocol. Overall, findings indicate that facial video provides complementary information to physiological PPG signals. The study also highlights the importance of subjectindependent evaluation for capturing realistic estimate of generalization. Құрылғылар арасындағы адамның мінез-құлқын түсіну машиналық оқыту саласындағы маңызды зерттеу тақырыптарының біріне айналды. Қазіргі ортада камералар мен тағылатын құрылғылар сияқты сенсорлық құрылғылар пайдаланушының күйі туралы бірін-бірі толықтыратын ақпарат беретін әртүрлі деректерді жинайды. Атап айтқанда, камералар арқылы түсірілетін бет-әлпет көріністері және смарт-сағаттар сияқты тағылатын құрылғылардан алынатын физиологиялық сигналдар адамның күйзелісі мен мінез-құлқы туралы құнды ақпарат береді. Бұл магистрлік диссертацияда бет бейнесі мен физиологиялық сигналдарға негізделген күйзелісті тануға арналған көпмодальды құрылғылар аралық әдіс ұсынылады. Ұсынылған жүйе бет бейнесінен визуалды белгілерді шығарып, физиологиялық кіріс ретінде PPG және EDA сигналдарын пайдаланады және оларды біріктіреді. Зерттеуде ResNet-50 негізіндегі конволюциялық нейрондық желі арқылы бет белгілерін шығаратын және бірөлшемді конволюциялық нейрондық желі арқылы физиологиялық сигналдарды өңдейтін терең оқыту архитектурасы әзірленді. Нәтижелер PPG сигналының ең күшті жеке модальдылық екенін көрсетті: ол 0.600 ± 0.052 дәлдікке және 0.602 ± 0.050 macro-F1 көрсеткішіне жетті. Ең жақсы жалпы нәтиже бейне салмағы 0.20 болатын Video және PPG late fusion моделі арқылы алынды: бұл модель 0.637 ± 0.078 дәлдікке және 0.640 ± 0.077 macro-F1 көрсеткішіне жетті. Бұл бейне моделінен шамамен 11.6 macro-F1 пайыздық пунктке және PPG моделінен шамамен 3.8 macro-F1 пайыздық пунктке жоғары нәтиже көрсетті. Intermediate feature fusion әдісі late fusion әдісінен асып түспеді, бұл осы деректер жиыны үшін шешім деңгейіндегі біріктірудің тұрақтырақ екенін көрсетеді. Қосымша анықтамалық эксперименттер бинарлық классификацияның үш класты тануға қарағанда жеңілірек екенін және subject-dependent 5-fold cross-validation тәсілі бейнеге негізделген нәтижелерді subject-specific бет-әлпет ақпараты арқылы айтарлықтай арттыра алатынын көрсетті. Сондықтан негізгі бағалау хаттамасы ретінде subject-independent үш класты классификация қолданылды. Жалпы, алынған нәтижелер бет бейнесі физиологиялық PPG сигналдарына қосымша ақпарат бере алатынын көрсетеді. Сонымен қатар, зерттеу модельдің нақты жалпылау қабілетін бағалау үшін subject-independent бағалаудың маңыздылығын көрсетеді.
Access status: Embargo ,
Benchmarking Aerial Video Captioning with Temporal Adaptation and PEFT
(Nazarbayev University School of Engineering and Digital Sciences, 2026-08) Nurtayev, Nurzhan; Nguyen, Anh Tu
Aerial video captioning, the task of generating natural-language descriptions of unmanned aerial vehicle (UAV) footage, remains less mature than ground-level video captioning. In large part because the field has one public benchmark, CapERA, and no systematic, controlled comparison of the architectural and adaptation choices. This thesis addresses that gap by modularizing a prefix-conditioned captioning pipeline into three components: a visual encoder, a temporal adapter, and a pretrained language decoder. Stage 1 benchmarks seven language decoders ranging from autoregressive Transformers to state-space architectures (GPT-2, Gemma-3, Qwen3, Llama-3.2, Falcon3, Mamba, and Falcon-H1) under full and LoRA fine-tuning. Stage 2 continues with the three strongest decoders on joint, parameter-efficient encoder-decoder adaptation. The results show that the smallest decoder, GPT-2, is consistently the strongest captioner. A pure state-space decoder (Mamba) fails to meaningfully condition on the visual prefix, while a hybrid attention/state-space decoder (Falcon-H1) recovers under LoRA. A temporal adapter improves performance for almost every decoder. Nevertheless, its benefit diminishes once the encoder is adapted. Parameter-efficient training, top-k tuning for the encoder and LoRA for the decoder, delivers the largest performance improvements. The best configuration found, GPT-2 with a top-6-adapted encoder, a LoRA-adapted decoder, along with the temporal adapter, reaches a CIDEr score of 0.9039 on the CapERA test set. Beyond these empirical findings, the thesis compares prior aerial video captioning work to support the claim that the field’s main need is a second, independent benchmark dataset against which such results can be validated. Ұшқышсыз ұшу аппараттары (ҰҰА) түсірген бейнематериалдарға табиғи тілде сипаттама жасау саласы жер деңгейінде түсірілген бейнелерді сипаттаумен салыстырғанда әлі де жеткілікті дәрежеде дамымаған. Мұның негізгі себептерінің бірі - бұл салада тек бір ашық эталондық деректер жиынтығының, CapERA, болуы, сондай-ақ архитектуралық шешімдер мен модельдерді бейімдеу тәсілдерін жүйелі әрі бақыланатын түрде салыстыратын зерттеулердің болмауы. Осы диссертация аталған олқылықтың орнын толтыру мақсатында префикс арқылы шартталған бейне сипаттау жүйесін үш негізгі компонентке бөледі: визуалды энкодер, темпоралдық адаптер және алдын ала оқытылған тілдік декодер. Зерттеудің бірінші кезеңінде авторегрессиялық Transformer модельдерінен күй кеңістігіне негізделген архитектураларға дейінгі жеті тілдік декодер (GPT-2, Gemma-3, Qwen3, Llama-3.2, Falcon3, Mamba және Falcon-H1) толық дооқыту және LoRA арқылы дооқыту жағдайларында салыстырылады. Екінші кезеңде ең жоғары нәтиже көрсеткен үш декодермен жұмыс жалғасып, энкодер мен декодерді бірлесіп параметрлік-тиімді бейімдеу тәсілі зерттеледі. Нәтижелер ең шағын декодер (GPT-2) тұрақты түрде ең жоғары сапалы бейне сипаттамаларын жасайтынын көрсетеді. Таза күй кеңістігіне негізделген Mamba декодері визуалды префикске мағыналы түрде бейімделе алмайды, ал назар аудару механизмі мен күй кеңістігі тәсілдерін біріктіретін гибридті Falcon-H1 декодері LoRA қолданылған кезде өз нәтижесін айтарлықтай жақсартады. Темпоралдық адаптер барлық дерлік декодерлердің нәтижесін арттырады. Алайда энкодер бейімделгеннен кейін оның қосымша әсері төмендейді. Параметрлік-тиімді оқыту, атап айтқанда, энкодер үшін top-k бейімдеу және декодер үшін LoRA қолдану, өнімділіктің ең үлкен өсімін қамтамасыз етеді. Ең жақсы конфигурация - top-6 тәсілімен бейімделген энкодері, LoRA арқылы бейімделген GPT-2 декодері және темпоралдық адаптері бар модель - CapERA тест жиынында CIDEr көрсеткіші бойынша 0.9039 нәтижесіне жетеді. Эмпирикалық нәтижелермен қатар, диссертация аэровидеоны сипаттау саласындағы алдыңғы зерттеулерді салыстырып, алынған нәтижелерді тәуелсіз түрде тексеруге мүмкіндік беретін екінші эталондық деректер жиынтығын әзірлеу осы саланың негізгі қажеттіліктерінің бірі екенін негіздейді.
Access status: Embargo ,
Multimodal Fall Detection and Activity Recognition under Missing-Modality Conditions
(Nazarbayev University School of Engineering and Digital Sciences, 2026-07) Yeraliyeva, Nazerke; Yazici, Adnan
Fall detection is an important problem in human activity recognition, particularly in settings where reliable operation under imperfect sensing conditions is required. This thesis investigates multimodal fall detection and activity recognition using the UP Fall dataset as the primary synchronized benchmark and a four-subject C-MHAD pilot as an external video–inertial evaluation. For the UP-Fall experiments, the camera data are represented as Summed Difference Images (SDIs), while the ankle and wrist inertial signals are converted into Recurrence Plots (RPs). A canonical benchmark containing 6,517 synchronized triple-matched windows was constructed for the experiments. This thesis compares an SDI-only baseline with feature fusion, decision fusion, attention-based fusion, and ModDrop training. SmallCNN, ResNet18, and Transformer based models are included to determine whether the observed results remain consistent across different architectures. We include Token ModDrop and the Missing Modality Bottleneck Transformer to examine how the models respond when an expected input is missing. Within the branch-specific UP-Fall Transformer/MMBT experiment, the Missing-Modality Bottleneck Transformer achieves a full-input macro F1 of 0.8362 ± 0.0156 and a macro-F1 of 0.5879 ± 0.0393 when the SDI branch is missing. A model that performs best with all inputs does not always remain the strongest once visual or inertial data are missing. Standard feature-fusion models perform much worse when the dominant visual input is missing. Despite the drop in performance, these models can remain highly confident in their mistakes. Models that encountered missing inputs during training, or were designed to recognize them explicitly, lost less performance. In the experiments with saved probability scores, their confidence estimates were also more dependable. We observed a similar overall pattern in the four-subject C-MHAD pilot, although this finding remains preliminary. Құлауды анықтау — адам әрекетін тану саласындағы маңызды міндеттердің бірі. Бұл әсіресе сенсорлық деректер толық болмаған немесе олардың жұмысы мінсіз емес жағдайларда жүйенің сенімді жұмыс істеуі қажет болған кезде аса өзекті. Бұл диссертациялық жұмыста негізгі синхрондалған эталон ретінде UP-Fall деректер жиынтығы, ал сыртқы бейне-инерциялық бағалау үшін төрт қатысушыдан тұратын C-MHAD пилоттық деректері пайдаланылып, мультимодальды құлауды анықтау және әрекетті тану зерттеледі. UP-Fall эксперименттері үшін камера деректері Қосынды айырмашылық кескіндері (Summed Difference Images, SDI) түрінде ұсынылса, тобық пен білектегі инерциялық сигналдар Қайталану графиктеріне (Recurrence Plots, RP) түрлендірілді. Эксперименттер үшін 6 517 синхрондалған үштік сәйкестендірілген терезеден тұратын канондық эталондық жиынтық құрылды. Бұл диссертацияда тек SDI-ға негізделген базалық модель сипаттарды біріктіру (feature fusion), шешімдерді біріктіру (decision fusion), назарға негізделген біріктіру (attention-based fusion) және ModDrop арқылы оқыту әдістерімен салыстырылады. Алынған нәтижелердің әртүрлі архитектураларда сақталуын анықтау үшін SmallCNN, ResNet18 және Transformer негізіндегі модельдер қолданылды. Күтілетін кіріс деректері болмаған жағдайда модельдердің әрекетін зерттеу үшін Token ModDrop және Жетіспейтін модальділік кедергісі бар трансформатор (Missing Modality Bottleneck Transformer) қарастырылды. UP-Fall бойынша Transformer/MMBT эксперименті аясында Жетіспейтін модальділік кедергісі бар трансформатор барлық кірістер болған жағдайда 0.8362 ± 0.0156 макро-F1 көрсеткішіне, ал SDI тармағы болмаған кезде 0.5879 ± 0.0393 макро-F1 көрсеткішіне қол жеткізді. Барлық кіріс деректері болған кезде ең жақсы нәтиже көрсеткен модель визуалды немесе инерциялық деректер жетіспеген жағдайда әрдайым ең мықты модель болып қала бермейді. Стандартты сипаттарды біріктіру модельдері негізгі визуалды кіріс жетіспеген кезде айтарлықтай нашар нәтиже көрсетті. Өнімділіктің төмендеуіне қарамастан, бұл модельдер қате болжамдарына жоғары сенімділік көрсете алады. Оқыту барысында кіріс деректерінің жетіспеушілігімен кездескен немесе мұндай жағдайларды арнайы тануға арналған модельдер өнімділікті азырақ жоғалтты. Сақталған ықтималдық бағалары қолданылған эксперименттерде олардың сенімділік бағалары да неғұрлым сенімді болды. Төрт қатысушыдан тұратын C-MHAD пилоттық зерттеуінде де жалпы алғанда ұқсас заңдылық байқалды, дегенмен бұл тұжырым әзірге алдын ала сипатта болып табылады.
Access status: Embargo ,
Kazakhstan's Emissions Trading System: Measurement, Reporting, and Verification
(Nazarbayev University Graduate School of Public Policy, 2026-08-10) Umbetova, Assem; Howie, Peter
This thesis examines the MRV system of CO₂ emissions under Kaz ETS, a key policy instrument for regulating GHG emissions. MRV functions as a transparency-based regulatory system intended to provide information for policy implementation and to influence the emission behavior of regulated firms. However, limited academic research has assessed MRV practices in Kazakhstan and their capability to generate actions that contribute to carbon emissions reduction outcomes. The study has two objectives. First, it analyzes MRV practices during Phase IV of the Kaz ETS (2022–2025) through a detailed examination of CO₂ measurement, reporting, and verification processes. It conceptualizes MRV as two transparency–accountability relationships: (1) between regulated firms and the Ministry of Ecology, and (2) between accredited verification bodies and the National Center for Accreditation, applying the Accountability–Transparency Framework. Second, by systematizing the MRV information flow using the Transparency Action Cycle developed by Fung et al. (2004), the study develops a systematic approach to tracing how disclosed emissions information is expected to generate accountability, prompt regulatory responses, and contribute to the achievement of policy objectives. This integrated framework also allows the identification of the stages at which the transparency system fails to generate the intended behavioral changes. The findings show that the Kazakhstan MRV system is technically functional: it produces standardized and verified emissions data in accordance with local and international methodologies and standards. Nevertheless, the information generated by the system is only weakly embedded in governmental decision-making and therefore fails to trigger the regulatory responses necessary to exert meaningful pressure on regulated firms. The study argues that this outcome is largely shaped by Kazakhstan's political-economic structure. Characteristics associated with a resource-dependent often outweigh climate mitigation objectives. Under these conditions, transparency alone is insufficient to produce substantial environmental outcomes. The thesis develops a set of policy implications, however, technical improvements to the MRV system alone are unlikely to increase the effectiveness of the carbon reduction policy unless the political-economic barriers are also addressed. Using a qualitative case study design, the research draws on document analysis of legislation, regulatory methodologies, and firm-level materials, complemented by expert interviews with policymakers, firms, and auditors. Бұл диссертация парниктік газдар эмиссияларын реттеудің негізгі саяси құралының бірі болып табылатын Kaz ETS (Қазақстанның көміртегі бірліктері саудасының) аясындағы CO₂ эмиссияларына қатысты MRV (measurement, reporting and verification - өлшеу, есеп беру және верификация) жүйесін зерттейді. MRV жүйесі – парникті газдарды реттеу саясатын іске асыру үшін үкіметті CO₂ эмиссия ақпаратымен қамтамасыз ететін және осы саясатпен реттелетін кәсіпорындардың CO₂ эмиссияларын азайтуға бағытталған, ашықтыққа (transparency) негізделген реттеуші саяси құрал. Қазақстан MRV тәжірибесі - яғни CO₂ эмиссияларының өлшенуі, есеп беруі және верификациядан өтуі еш бір ғылыми жұмыстармен зерттелмеген. Сонымен қатар, MRV тәжірибесінің көміртегі эмиссияларының үрдістеріне ықпалы да академиялық тұрғыдан мүлдем қарастырылмаған. Осы фактіні ескере отырып берілген зерттеу жұмысы екі мақсатты көздейді. Біріншіден, ол CO₂-ны өлшеу, есеп беру және верификациялау процестерін талдау арқылы Kaz ETS-тің IV кезеңіндегі (2022–2025 жж.) MRV тәжірибелерін саралайды. Диссертация MRV жүйесін екі түрлі ашықтық-жауапкершілік қарым-қатынас (transparency-accountability) арқылы сипаттайды: (1) кәсіпорындар мен Экология министрлігі және (2) аккредиттелген верификациялау органдары мен Ұлттық аккредиттеу орталығы. Бұл қарым-қатынастар «Жауапкершілік пен ашықтық» (Accountability–Transparency) теориясын қолдана отырып зерттелген. Екіншіден, Fung et al., (2004) дамытқан «Ашықтық ic-әрекет циклі» теориясы негізінде, диссертация CO₂ эмиссиялары туралы жарияланған ақпарат кәсіпорындардың жауапкершілігін қалай қалыптастыратынын, үкіметтің жаңа саяси іс-шараларына қалай түрткі болатынын және экологиялық саясат мақсаттарына қол жеткізуге қандай үлес қосатынын жүйелі түрде талдайтын тәсіл әзірлейді. Нәтижесінде, кешендік талдау Қазақстан тәжірибесінде MRV жүйесінің CO₂ эмиссия үрдістерінің өзгеруіне ықпал ете алмайтынын айқындап берді. Диссертациядағы зерттеу нәтижелері Қазақстанның MRV жүйесінің техникалық тұрғыдан жұмыс істеп тұрғанын көрсетеді: ол жергілікті және халықаралық әдіснамалар мен стандарттарға сәйкес стандартталған және верификацияланған эмиссиялар деректерін қалыптастырады. Дегенмен, MRV eсеп беру жүйесі арқылы алынған көміртегі эмиссиялары туралы ақпарат мемлекеттік деңгейдегі шешім қабылдау процесіне әлсіз енгізілген, сондықтан реттелетін кәсіпорындарға эмиссия шығуын азайтуға мәжбүрлейтін қажетті саяси реттеуші шараларды MRV жүйесі іске қоса алмайды. Зерттеу бұл нәтижеге негізінен Қазақстанның саяси-экономикалық құрылымы ықпал ететінін көрсетеді. Мұндай жағдайда экологиялық нәтижелерге қол жеткізу үшін ашықтыққа ғана негізделген саяси құралдар жеткіліксіз. Көміртегі эмиссияларын азайту саясатының тиімділігін арттыру үшін саяси-экономикалық кедергілер шешіліп отыруы қажет. Тек MRV жүйесін техникалық тұрғыдан жетілдіру жеткіліксіз. Сапалық кейс-стади дизайнын қолдана отырып, зерттеу заңнаманы, нормативті реттеуші әдістемелерді және кәсіпорындар деңгейіндегі материалдарды құжаттық талдауға, сондай-ақ саясат әзірлеушілермен, кәсіпорындар өкілдерімен және верификация ұйымдарымен жүргізілген сараптамалық сұхбаттарға сүйенеді.