Social learning and climate change adaptation: evidence for international development practice
Notice bibliographique
Résumé
The potential for social learning to address complex, interconnected social and environmental challenges, such as climate change adaptation, is receiving increasing attention in research and practice. Social learning approaches vary, but commonly include cycles of knowledge sharing and joint action to co‐create knowledge, relationships, and practices among diverse stakeholders. This results in learning and change that goes beyond the individual into communities, networks, or systems. Many authors have focused on analysis of case studies to better understand the contexts in which such learning occurs. In this paper, we look across this literature to draw out lessons for international development practice. To support those looking to purposively design social learning interventions for adaptation, we focus on four areas: lessons learned and the principles adopted when using a social learning approach, examples of tools and methods used, approaches to evaluating social learning, and examples of its impact. While we identify important lessons for practice within each of these areas, three cross‐cutting themes emerge. These are: the importance of developing a shared view among those initiating learning processes of how change might happen and of how social learning fits within it, linking this locus of desired change to the tools employed; the centrality of skilled facilitation and in particular how practitioners may shift toward being participants in the collective learning process; and the need to attend to social difference, recognizing the complexity of social relations and the potential for less powerful actors to be co‐opted in shared decision making. WIREs Clim Change 2015, 6:509–522. doi: 10.1002/wcc.348 This article is categorized under: Vulnerability and Adaptation to Climate Change > Learning from Cases and Analogies Climate and Development > Knowledge and Action in Development
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,052 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,020 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».