Public participation geographic information systems (PPGIS): challenges of implementation in Churchill, Manitoba
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Public participation geographic information systems (PPGIS) increasingly are utilized in geographic research, yet researchers rarely are provided with guidance on how to implement PPGIS in an appropriate and effective manner. This article reports on the process of research that explores responses to current and future local tourism development offered by a sample of residents using a modified PPGIS approach called ‘community action geographic information system’ (CAGIS). The conceptual development of CAGIS is reported and the challenges encountered during its implementation in Churchill, Manitoba during 2005–2007 are reviewed. It is suggested that researchers wishing to conduct similar research should undertake thorough preliminary fieldwork to assess the likelihood of finding agreement on a common problem; acquiring adequate resources; establishing collective responsibility for the project's outcome; attaining stakeholder support; developing trust and meaningful relationships; and incorporating indigenous knowledge appropriately. Feedback of results to community members also should be an integral part of the research process. A number of feedback mechanisms are reported, including an interactive weblog, which helped facilitate communication between heterogeneous groups in Churchill. Although ambitions for a truly participatory GIS approach to this project have been set aside, it is held that PPGIS can yield positive outcomes for communities and academia. Sharing this research experience will be useful to others who venture into PPGIS research, especially in northern communities .
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,012 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle