Designing cultural multilevel selection research for sustainability science
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Humans stand out among animals in that we cooperate in large groups to exploit natural resources, and accumulate resource exploitation techniques across generations via cultural learning. This uniquely human form of adaptability is in large part to blame for the global sustainability crisis. This paper builds on cultural evolutionary theory to conceptualize and study environmental resource use and overexploitation. Human social learning and cooperation, particularly regarding social dilemmas, result in both sustainability crises and solutions. Examples include the collapse of global fisheries, and multilateral agreements to halt ozone depletion. We propose an explicitly evolutionary approach to study how crises and solutions may emerge, persist, or disappear. We first present a brief primer on cultural evolution to define group-level cultural adaptations for resource use. This includes criteria for identifying where group-level cultural adaptations may exist, and if a cultural evolutionary approach can be implemented in studying a given system. We then outline a step-by-step process for designing a study of group-level cultural adaptation, including the major methodological considerations that researchers should address in study design, such as tradeoffs between validity and control, issues of time scale, and the value of both qualitative and quantitative data and analysis. We discuss how to evaluate multiple types of evidence synthetically, including historical accounts, new and existing data sets, case studies, and simulations. The electronic supplement provides a tutorial and simple computer code in the R environment to lead users from theory to data to an illustration of an empirical test for group-level adaptations in sustainability research.
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.
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 | 0,049 | 0,118 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,044 | 0,033 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,003 | 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 découle