Evaluating indicators of human well-being for ecosystem-based management
Notice bibliographique
Résumé
ABSTRACT Introduction: Interrelated social and ecological challenges demand an understanding of how environmental change and management decisions affect human well-being. This paper outlines a framework for measuring human well-being for ecosystem-based management (EBM). We present a prototype that can be adapted and developed for various scales and contexts. Scientists and managers use indicators to assess status and trends in integrated ecosystem assessments (IEAs). To improve the social science rigor and success of EBM, we developed a systematic and transparent approach for evaluating indicators of human well-being for an IEA. Methods: Our process is based on a comprehensive conceptualization of human well-being, a scalable analysis of management priorities, and a set of indicator screening criteria tailored to the needs of EBM. We tested our approach by evaluating more than 2000 existing social indicators related to ocean and coastal management of the US West Coast. We focused on two foundational attributes of human well-being: resource access and self-determination. Outcomes and Discussion: Our results suggest that existing indicators and data are limited in their ability to reflect linkages between environmental change and human well-being, and extremely limited in their ability to assess social equity and justice. We reveal a critical need for new social indicators tailored to answer environmental questions and new data that are disaggregated by social variables to measure equity. In both, we stress the importance of collaborating with the people whose well-being is to be assessed. Conclusion: Our framework is designed to encourage governments and communities to carefully assess the complex tradeoffs inherent in environmental decision-making.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 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 ».