MétaCan
Menu
Retour à la cohorte
Enregistrement W2337532012 · doi:10.1073/pnas.1601266113

Crafting usable knowledge for sustainable development

2016· article· en· W2337532012 sur OpenAlexfundno aff
William C. Clark, Lorrae van Kerkhoff, Louis Lebel, Gilberto C. Gallopín

Notice bibliographique

RevueProceedings of the National Academy of Sciences · 2016
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInnovative Approaches in Technology and Social Development
Établissements canadiensnon disponible
Organismes subventionnairesClimate Program OfficeHarvard UniversityChiang Mai UniversityInternational Development Research CentreNational Oceanic and Atmospheric AdministrationNational Science Foundation
Mots-clésCoproductionUSableEngineering ethicsKnowledge managementAction (physics)Corporate governanceSustainable developmentStakeholder engagementStakeholderSet (abstract data type)Public relationsPolitical scienceSociologyBusinessComputer scienceEngineering

Résumé

récupéré en direct d'OpenAlex

This paper distills core lessons about how researchers (scientists, engineers, planners, etc.) interested in promoting sustainable development can increase the likelihood of producing usable knowledge. We draw the lessons from both practical experience in diverse contexts around the world and from scholarly advances in understanding the relationships between science and society. Many of these lessons will be familiar to those with experience in crafting knowledge to support action for sustainable development. However, few are included in the formal training of researchers. As a result, when scientists and engineers first venture out of the laboratory or library with the goal of linking their knowledge with action, the outcome has often been ineffectiveness and disillusionment. We therefore articulate here a core set of lessons that we believe should become part of the basic training for researchers interested in crafting usable knowledge for sustainable development. These lessons entail at least four things researchers should know, and four things they should do. The knowing lessons involve understanding the coproduction relationships through which knowledge making and decision making shape one another in social-environmental systems. We highlight the lessons that emerge from examining those coproduction relationships through the ICAP lens, viewing them from the perspectives of Innovation systems, Complex systems, Adaptive systems, and Political systems. The doing lessons involve improving the capacity of the research community to put its understanding of coproduction into practice. We highlight steps through which researchers can help build capacities for stakeholder collaboration, social learning, knowledge governance, and researcher training.

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)0,030
score de la tête « metaresearch » (Gemma)0,047
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 enseignants0,030
Score d'incertitude au seuil0,158

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0300,047
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0040,025
Communication savante0,0150,034
Science ouverte0,0030,020
Intégrité de la recherche0,0050,006
Charge utile insuffisante (le modèle a refusé de juger)0,0120,003

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 Opus0,056
Tête enseignante GPT0,295
Écart entre enseignants0,238 · 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

Citations571
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the National Academy of SciencesMême sujetInnovative Approaches in Technology and Social DevelopmentTravaux en français237 207