Evaluating taboo trade-offs in ecosystems services and human well-being
Notice bibliographique
Résumé
Managing ecosystems for multiple ecosystem services and balancing the well-being of diverse stakeholders involves different kinds of trade-offs. Often trade-offs involve noneconomic and difficult-to-evaluate values, such as cultural identity, employment, the well-being of poor people, or particular species or ecosystem structures. Although trade-offs need to be considered for successful environmental management, they are often overlooked in favor of win-wins. Management and policy decisions demand approaches that can explicitly acknowledge and evaluate diverse trade-offs. We identified a diversity of apparent trade-offs in a small-scale tropical fishery when ecological simulations were integrated with participatory assessments of social-ecological system structure and stakeholders' well-being. Despite an apparent win-win between conservation and profitability at the aggregate scale, food production, employment, and well-being of marginalized stakeholders were differentially influenced by management decisions leading to trade-offs. Some of these trade-offs were suggested to be "taboo" trade-offs between morally incommensurable values, such as between profits and the well-being of marginalized women. These were not previously recognized as management issues. Stakeholders explored and deliberated over trade-offs supported by an interactive "toy model" representing key system trade-offs, alongside qualitative narrative scenarios of the future. The concept of taboo trade-offs suggests that psychological bias and social sensitivity may exclude key issues from decision making, which can result in policies that are difficult to implement. Our participatory modeling and scenarios approach has the potential to increase awareness of such trade-offs, promote discussion of what is acceptable, and potentially identify and reduce obstacles to management compliance.
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 | 0,024 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».