MétaCan
Menu
Retour à la cohorte
Enregistrement W2104024295 · doi:10.1525/bio.2013.63.7.7

Ecosystem Services and Beyond: Using Multiple Metaphors to Understand Human–Environment Relationships

2013· article· en· W2104024295 sur OpenAlexaff
Christopher M. Raymond, Gerald G. Singh, Karina Benessaiah, Joanna R. Bernhardt, Jordan Levine, Harry W. Nelson, Nancy J. Turner, Bryan G. Norton, Jordan Tam, Kai M. A. Chan

Notice bibliographique

RevueBioScience · 2013
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueLand Use and Ecosystem Services
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésEcosystem servicesSalientDeliberationValuation (finance)Environmental resource managementLimitingEcosystem managementEcosystem valuationGoods and servicesEcosystemBusinessEcologyComputer sciencePolitical scienceEcosystem healthEconomics

Résumé

récupéré en direct d'OpenAlex

Ecosystem services research has been focused on the ways that humans directly benefit from goods and services, and economic valuation techniques have been used to measure those benefits. We argue that, although it is appropriate in some cases, this focus on direct use and economic quantification is often limiting and can detract from environmental research and effective management, in part by crowding out other understandings of human–environment relationships. Instead, we make the case that the systematic consideration of multiple metaphors of such relationships in assessing social–ecological systems will foster better understanding of the many ways in which humans relate to, care for, and value ecosystems. Where it is possible, we encourage a deliberative approach to ecosystem management whereby ecosystem researchers actively engage conservationists and local resource users to make explicit, through open deliberation, the types of metaphors salient to their conservation problem.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0040,032
Communication savante0,0070,023
Science ouverte0,0020,007
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,034
Tête enseignante GPT0,218
Écart entre enseignants0,185 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations326
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBioScienceMême sujetLand Use and Ecosystem ServicesTravaux en français237 207