Social Learning and Water Resources Management
Notice bibliographique
Résumé
Natural resources management in general, and water resources management in particular, are currently undergoing a major paradigm shift.Management practices have largely been developed and implemented by experts using technical means based on designing systems that can be predicted and controlled.In recent years, stakeholder involvement has gained increasing importance.Collaborative governance is considered to be more appropriate for integrated and adaptive management regimes needed to cope with the complexity of social-ecological systems.The paper presents a concept for social learning and collaborative governance developed in the European project HarmoniCOP (Harmonizing COllaborative Planning).The concept is rooted in the more interpretive strands of the social sciences emphasizing the context dependence of knowledge.The role of frames and boundary management in processes of learning at different levels and time scales is investigated.The foundation of social learning as investigated in the HarmoniCOP project is multiparty collaboration processes that are perceived to be the nuclei of learning processes.Such processes take place in networks or "communities of practice" and are influenced by the governance structure in which they are embedded.Requirements for social learning include institutional settings that guarantee some degree of stability and certainty without being rigid and inflexible.Our analyses, which are based on conceptual considerations and empirical insights, suggest that the development of such institutional settings involves continued processes of social learning.In these processes, stakeholders at different scales are connected in flexible networks that allow them to develop the capacity and trust they need to collaborate in a wide range of formal and informal relationships ranging from formal legal structures and contracts to informal, voluntary agreements.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,015 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».