A Classification of Collaborative Management Methods
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
Collaboration among multiple stakeholders can be crucial to the success of natural resource management. In recent years, a wide variety of methods have been developed to facilitate such collaboration. Because these methods are relatively new and come from different disciplines, little attention has been paid to drawing comparisons among them. Thus, it is very difficult for potential users to sort through the increasingly large literature regarding such methods. We suggest the use of a consistent framework for comparing collaborative management methods, and develop such a framework based on five criteria: participation, institutional analysis, simplification of the natural resource, spatial scale, and stages in the process of natural resource management. We then apply this framework to six of the more commonly cited methods: soft systems analysis, adaptive management, ecosystem management, agroecosystem analysis, rapid rural appraisal and participatory rural appraisal. Important differences among methods were found in prescriptions for stakeholder participation, institutional analysis, and simplification of complex natural resources. Despite such differences, the methods are surprisingly similar overall. All methods are applicable at the scale of a watershed. Most of the methods include techniques for understanding complex natural resources, but not complex social institutions, and most include monitoring and assessment as well as planning. Our comparisons suggest that, although much work has been done to improve collaborative management of natural resources, both in the development of collaborative methods and in related social science disciplines, the results have not been shared among disciplines. Further organization and classification of this work is therefore necessary to make it more accessible to both practitioners and students of collaborative management.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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