MétaCan
Menu
Retour à la cohorte
Enregistrement W2314080564 · doi:10.5751/es-07303-200134

Integrative learning for practicing adaptive resource management

2015· article· en· W2314080564 sur OpenAlex

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.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueEcology and Society · 2015
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueComplex Systems and Decision Making
Établissements canadiensnon disponible
Organismes subventionnairesWater Research CommissionAustralian Government
Mots-clésKnowledge managementComputer scienceAdaptive managementReflexivityAdaptive learningProcess managementContext (archaeology)Artificial intelligenceBusinessEnvironmental resource managementSociologyEconomics

Résumé

récupéré en direct d'OpenAlex

Adaptive resource management is a learning-by-doing approach to natural resource management. Its effective practice involves the activation, completion, and regeneration of the "adaptive management cycle" while working toward achieving a flexible set of collaboratively identified objectives. This iterative process requires application of single-, double-, and triple-loop learning, to strategically modify inputs, outputs, assumptions, and hypotheses linked to improving policies, management strategies, and actions, along with transforming governance. Obtaining an appropriate balance between these three modes of learning has been difficult to achieve in practice and building capacity in this area can be achieved through an emphasis on reflexive learning, by employing adaptive feedback systems. A heuristic reflexive learning framework for adaptive resource management is presented in this manuscript. It is built on the conceptual pillars of the following: stakeholder driven adaptive feedback systems; strategic adaptive management (SAM); and hierarchy theory. The SAM Reflexive Learning Framework (SRLF) emphasizes the types, roles, and transfer of information within a reflexive learning context. Its adaptive feedback systems enhance the facilitation of single-, double-, and triple-loop learning. Focus on the reflexive learning process is further fostered by streamlining objectives within and across all governance levels; incorporating multiple interlinked adaptive management cycles; having learning as an ongoing, nested process; recognizing when and where to employ the three-modes of learning; distinguishing initiating conditions for this learning; and contemplating practitioner mandates for this learning across governance levels. The SRLF is a key enabler for implementing the "adaptive management cycle," and thereby translating the theory of adaptive resource management into practice. It promotes the heuristics of adaptive management within a cohesive framework and its deployment guides adaptive resource management within and beyond typical single-loop learning, across all governance levels.

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 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)0,004
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,699
Score d'incertitude au seuil0,314

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,183
Tête enseignante GPT0,414
Écart entre enseignants0,231 · 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