Land in Conflict: Managing and Resolving Land Use Disputes: Chapter 1
Notice bibliographique
Résumé
Every day, public officials must make challenging decisions involving land that impact open space, economic development, transportation, and countless other issues. These decisions may affect the built environment, the landscape, the quality of life, and the economy for decades or even centuries. How officials make these decisions influences the way community members interact with one another and whether they work as a cohesive or a divided group. When faced with complex decisions, communities often become embroiled in battles that tear at the civic fabric, pit neighbor against neighbor, demonize the applicant, and wear down local officials. Volunteer board members, neighbors, and applicants are often disheartened by what seems to be an insufficient process for solving these difficult, heated land use disputes. The authors have used a mutual gains approach to manage the most challenging decisions. This approach is guided by core principles, follows a set of clear action steps, and is useful at different stages of land use decision making. It is different from, though not incompatible with, the required land use procedures. The mutual gains approach to preventing and resolving land use disputes is not a single process or technique. It draws from the fields of negotiation, consensus building, collaborative problem solving, alternative dispute resolution, public participation, and public administration. The result is a more public, collaborative process designed to tease out the range of interests and criteria, compare various alternatives, and determine which alternatives meet the most interests. Chapter 1 introduces the approach and gives an overview of case studies from across the United States and Canada that illustrate the principles and steps in the mutual gains approach.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».