MétaCan
Menu
Retour à la cohorte
Enregistrement W2114971411 · doi:10.1525/bio.2012.62.8.7

Where are Cultural and Social in Ecosystem Services? A Framework for Constructive Engagement

2012· article· en· W2114971411 sur OpenAlexaff
Kai M. A. Chan, Anne D. Guerry, Patricia Balvanera, Sarah C. Klain, Terre Satterfield, Xavier Basurto, Ann Bostrom, Ratana Chuenpagdee, Rachelle K. Gould, Benjamin S. Halpern, Neil Hannahs, Jordan Levine, Bryan G. Norton, Mary Ruckelshaus, Roly Russell, Jordan Tam, Ulalia Woodside

Notice bibliographique

RevueBioScience · 2012
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueLand Use and Ecosystem Services
Établissements canadiensMemorial University of NewfoundlandUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésEcosystem servicesValuation (finance)Magic bulletConstructiveBusinessEnvironmental resource managementSociologyEnvironmental ethicsEcosystemPublic relationsPolitical scienceEcologyEconomicsComputer scienceProcess (computing)

Résumé

récupéré en direct d'OpenAlex

A focus on ecosystem services (ES) is seen as a means for improving decisionmaking. In the research to date, the valuation of the material contributions of ecosystems to human well-being has been emphasized, with less attention to important cultural ES and nonmaterial values. This gap persists because there is no commonly accepted framework for eliciting less tangible values, characterizing their changes, and including them alongside other services in decisionmaking. Here, we develop such a framework for ES research and practice, addressing three challenges: (1) Nonmaterial values are ill suited to characterization using monetary methods; (2) it is difficult to unequivocally link particular changes in socioecological systems to particular changes in cultural benefits; and (3) cultural benefits are associated with many services, not just cultural ES. There is no magic bullet, but our framework may facilitate fuller and more socially acceptable integrations of ES information into planning and 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.

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)0,034
score de la tête « metaresearch » (Gemma)0,017
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 enseignants0,034
Score d'incertitude au seuil0,181

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0340,017
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0060,004
Études des sciences et des technologies0,0140,095
Communication savante0,0250,026
Science ouverte0,0050,017
Intégrité de la recherche0,0110,009
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,264
Écart entre enseignants0,240 · 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

Citations1 037
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBioScienceMême sujetLand Use and Ecosystem ServicesTravaux en français237 207