High-frequency lake data benefit society through broader engagement with stakeholders: a synthesis of GLEON data use survey and membe rexperiences
Notice bibliographique
Résumé
The Global Lake Ecological Observatory Network (GLEON) has a tremendous opportunity to facilitate greater public understanding of lakes and enable evidence-based decision making for freshwater ecosystems with high frequency data. To investigate this potential as well as the scope of outreach activities currently underway, we surveyed the 46 GLEON sites active as of 2013 about the uses of the high-frequency lake data (HFD). Of the 26 who responded, 69% engaged in or were aware of the use of GLEON HFD beyond academics. To highlight some of the outreach activities conducted in collaboration with GLEON scientists, we elaborate on 3 categories of data use: (1) engaging with citizens, (2) educating students and teachers, and (3) aiding in decision making. When synthesized with a discussion of examples of broader engagement activities across the network from the perspective of participants, the results suggest GLEON’s network science approach enables the diffusion of ideas and tools for conducting effective outreach. Results also point to opportunities for GLEON to build on existing experience to encourage greater engagement of member scientists in lake conservation, restoration, and management. In light of the growing challenges in managing water quality and quantity, our findings will help determine best practices and provide guidance to scientists on how to engage a broader range of stakeholders in lake research and 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».