Integrating the Social Dimension in Remediation Decision‐Making: State of the Practice and Way Forward
Notice bibliographique
Résumé
Sustainable remediation guidance, frameworks, and case studies have been published at an international level illustrating established sustainability assessment methodologies and successful implementation. Though the terminology and indicators evaluated may differ, one common theme among international organizations and regulatory bodies is more comprehensive and transparent methods are needed to evaluate the social sphere of sustainable remediation. Based on a literature review and stakeholder input, this paper focused on three main areas: (1) status quo of how the social element of sustainable remediation is assessed among various countries and organizations; (2) methodologies to quantitatively and qualitatively evaluate societal impacts; and (3) findings from this research, including challenges, obstacles, and a path forward. In conclusion, several existing social impact assessment techniques are readily available for use by the remediation community, including rating and scoring system evaluations, enhanced cost benefit analysis, surveys/interviews, social network analysis, and multicriteria decision analysis. In addition, a list of 10 main social indicator categories were developed: health and safety, economic stimulation, stakeholder collaboration, benefits community at large, alleviate undesirable community impacts, equality issues, value of ecosystem services and natural resources, risk‐based land management and remedial solutions, regional and global societal impacts, and contributions to other policies. Evaluation of the social element of remedial activities is not without challenges and knowledge gaps. Identification of obstacles and gaps during the project planning process is essential to defining sustainability objectives and choosing the appropriate tool and methodology to conduct an assessment. Challenges identified include meaningful stakeholder engagement, risk perception of stakeholders, and trade‐offs among the various triple bottom line dimensions. ©2015 Wiley Periodicals, Inc.
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 | 0,117 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,005 | 0,041 |
| Communication savante | 0,033 | 0,041 |
| Science ouverte | 0,008 | 0,016 |
| Intégrité de la recherche | 0,014 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».