MétaCan
Menu
Retour à la cohorte
Enregistrement W2073022320 · doi:10.1142/s1464333213500154

KNOWLEDGE MANAGEMENT IN ENVIRONMENTAL IMPACT ASSESSMENT AGENCIES: A STUDY IN QUÉBEC, CANADA

2013· article· en· W2073022320 sur OpenAlexaffabout
Luis Enrique Sánchez, Pierre André

Notice bibliographique

RevueJournal of Environmental Assessment Policy and Management · 2013
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental and Social Impact Assessments
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésAgency (philosophy)Work (physics)Consistency (knowledge bases)Government (linguistics)BusinessIncentiveKnowledge managementProcess (computing)Public relationsEnvironmental resource managementEnvironmental planningPolitical scienceEngineeringGeographyComputer scienceEnvironmental scienceSociology

Résumé

récupéré en direct d'OpenAlex

Environmental impact assessment (EIA) is a knowledge intensive activity that benefits from a highly structured approach to knowledge management (KM). In a survey of KM initiatives in two Québec government agencies, the Environmental Assessment Department and the Environment Public Hearings Bureau, knowledge repositories were mapped and officers were invited to reply to a questionnaire enquiring about the knowledge repositories' usefulness. Their perception about knowledge creation within each agency was assessed. Three drivers were identified that have steered the implementation of KM initiatives: (i) successive managers' understandings that EIA does create knowledge; (ii) a concern with consistency and reproducibility of recommendations; (iii) improving agencies' efficiency, alongside one additional incentive: curbing the deleterious effects of staff turnover. So far an unmet challenge is making sense of a great deal of data and information obtained in the follow-up phase of the EIA process and transforming it into knowledge used to improve both efficiency and effectiveness of an agency's work.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,048
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,303
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations27
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Environmental Assessment Policy and ManagementMême sujetEnvironmental and Social Impact AssessmentsTravaux en français237 207