MétaCan
Menu
Retour à la cohorte
Enregistrement W2754646268 · doi:10.5539/jsd.v10n5p35

An Integrated Approach to Capacity Development in Forestry and Climate Change in West Africa

2017· article· en· W2754646268 sur OpenAlexaffvenue
Kalame Fobissie, Daniel Etongo, Markku Kanninen

Notice bibliographique

RevueJournal of Sustainable Development · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAgriculture and Rural Development Research
Établissements canadiensUniversity of OttawaInternational Development Research Centre
Organismes subventionnairesnon disponible
Mots-clésTraining (meteorology)Sierra leoneCorporate governanceCapacity buildingClimate changeSustainable developmentGeographyForestryValue (mathematics)Political scienceEnvironmental resource managementEnvironmental planningBusinessEconomic growthSocioeconomicsSociologyEconomicsEcologyComputer scienceFinance

Résumé

récupéré en direct d'OpenAlex

The BIODEV capacity development programme (BCDP) uses forestry, agroforestry and trees to derive a broad range of development and environmental outcomes (high-value biocarbon) while strengthening the capacities of local and national institutions to be able to sustain the benefits. The BCDP conducted 40 long and short-term training activities in Burkina Faso, Guinea, Mali and Sierra Leone across the following categories: (i) Short-term in-country trainings and regional training e.g. support to UNFCCC negotiators running from 2-4 and 6-8 days and implemented using the Harvard Case and the Socratic Learning Methods; (ii) Short-term training abroad for three weeks on Managing Sustainable Forest Landscapes, and (iii) Long-term training abroad e.g. PhD study on forest governance and climate change. The success of BCDP is largely influenced by (i) the effectiveness of coordination and planning amongst trainers; (ii) the content, format, depth, focus and duration of the training vis-a-vis the needs of the trainees; and (iii) the strengthening of existing local and national decision making and implementation platforms for up-scaling high value biocarbon development approaches.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,285
Score d'incertitude au seuil0,385

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,000
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 Opus0,044
Tête enseignante GPT0,258
Écart entre enseignants0,215 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations5
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Sustainable DevelopmentMême sujetAgriculture and Rural Development ResearchTravaux en français237 207