Approaches to setting forestry research priorities: Considering the benefits of reducing uncertainty
Notice bibliographique
Résumé
This paper reviews current approaches to research topic selection in forest management. Most current approaches are based on soliciting expert opinion of researchers within an environment where research demands may enter through media and political events. A number of potential problems are identified with these types of approaches including: research issues changing too rapidly for research programs to adapt, inability of surveys to capture long term trends in priorities, potential for processes to be captured by special interests of particular stakeholders, potential for consensus seeking to lead to research priorities that are too broad, a lack of statistical differences between topics leading to no significant priorities, a lack of explicit linking of the supply and demand for forestry research, and the potential for media to misrepresent research demands. Building on this literature, we suggest that current research selection methods be supplemented by developing new frameworks to provide more explicit information for research topic selection in forest management that would reduce the current pervasive role of subjectivity, provide research guidelines for local regions, and incorporate quantitative methods. This framework could be based upon the idea that one value of information is the reduction of costly mistakes. We suggest that sensitivity analyses on savings from potentially reduced uncertainty, within the context of different institutional constraints, could provide explicit information to assist with research topic selection. Key words: forestry research priorities, returns to research, value of information
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 | 0,336 | 0,462 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,014 | 0,011 |
| Études des sciences et des technologies | 0,009 | 0,020 |
| Communication savante | 0,023 | 0,022 |
| Science ouverte | 0,007 | 0,018 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».