MétaCan
Menu
Retour à la cohorte
Enregistrement W2486982898 · doi:10.1080/14615517.2016.1176409

Towards a home-grown approach to strategic environmental assessment: adapting practice and participation in Kenya

2016· article· en· W2486982898 sur OpenAlexafffund
Heidi Walker, Harry Spaling, A. John Sinclair

Notice bibliographique

RevueImpact Assessment and Project Appraisal · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental and Social Impact Assessments
Établissements canadiensThe King's UniversityUniversity of Manitoba
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésKenyaStrategic environmental assessmentContext (archaeology)Environmental planningAdaptation (eye)Environmental resource managementDeveloping countryPolitical scienceBusinessGeographyEnvironmental impact assessmentEconomic growthEnvironmental sciencePsychologyEconomics

Résumé

récupéré en direct d'OpenAlex

Kenya is among the first countries in sub-Saharan Africa to formally require the assessment of public policies, plans and programs. National strategic environmental assessment (SEA) guidelines were finalized in 2012 to adapt and enhance SEA practice in the Kenyan context. The purpose of this research was to examine recent Kenyan SEA, with a particular emphasis on public participation, by developing and applying an analysis framework that both incorporates commonly accepted SEA principles and approaches and is cognizant of the national context in shaping SEA practice. Results reveal that a number of SEA practices are consistent with the framework in the nine cases considered, such as containing standard SEA components and developing monitoring plans. A requirement that each SEA must include educating the public about SEA is an innovative local adaptation. Results also show a number of practices that are still emerging, such as initiating SEA early and disseminating results to the participants. We conclude that SEA is still developing in Kenya, but processes for conducting it are slowly adapting to the Kenyan context.

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 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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,084
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 savante0,0000,002
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 Opus0,036
Tête enseignante GPT0,398
Écart entre enseignants0,362 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
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

Citations14
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueImpact Assessment and Project AppraisalMême sujetEnvironmental and Social Impact AssessmentsTravaux en français237 207