A roadmap for knowledge exchange and mobilization research in conservation and natural resource management
Notice bibliographique
Résumé
Scholars across all disciplines have long been interested in how knowledge moves within and beyond their community of peers. Rapid environmental changes and calls for sustainable management practices mean the best knowledge possible is needed to inform decisions, policies, and practices to protect biodiversity and sustainably manage vulnerable natural resources. Although the conservation literature on knowledge exchange (KE) and knowledge mobilization (KM) has grown in recent years, much of it is based on context-specific case studies. This presents a challenge for learning cumulative lessons from KE and KM research and thus effectively using knowledge in conservation and natural resources management. Although continued research on the gap between knowledge and action is valuable, overarching conceptual frameworks are now needed to enable summaries and comparisons across diverse KE-KM research. We propose a knowledge-action framework that provides a conceptual roadmap for future research and practice in KE/KM with the aim of synthesizing lessons learned from contextual case studies and guiding the development and testing of hypotheses in this domain. Our knowledge-action framework has 3 elements that occur at multiple levels and scales: knowledge production (e.g., academia and government), knowledge mediation (e.g., knowledge networks, actors, relational dimension, and contextual dimension), and knowledge-based action (e.g., instrumental, symbolic, and conceptual). The framework integrates concepts from the sociology of science in particular, and serves as a guide to further comprehensive understanding of knowledge exchange and mobilization in conservation and sustainable natural resource 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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».