MétaCan
Menu
Retour à la cohorte
Enregistrement W2803009960 · doi:10.1111/conl.12562

Participation in planning and social networks increase social monitoring in community‐based conservation

2018· article· en· W2803009960 sur OpenAlexafffund
Steven M. Alexander, Graham Epstein, Örjan Bodin, Derek Armitage, Donovan Campbell

Notice bibliographique

RevueConservation Letters · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueConservation, Biodiversity, and Resource Management
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesDivision of Biological InfrastructureSocial Sciences and Humanities Research Council of CanadaInternational Development Research Centre
Mots-clésEnforcementBusinessEnvironmental resource managementEnvironmental planningResource (disambiguation)FishingCommunity-based conservationMarine conservationBiodiversity conservationBiodiversityGeographyFisheryPolitical scienceEconomicsEcology

Résumé

récupéré en direct d'OpenAlex

Abstract Biodiversity conservation is often limited by inadequate investments in monitoring and enforcement. However, monitoring and enforcement problems may be overcome by encouraging resource users to develop, endorse, and subsequently enforce conservation regulations. In this article, we draw upon the literature on common‐pool resources and social networks to assess the impacts of participation and network ties on the decisions of fishers to voluntarily report rule violations in two Jamaican marine reserves. Data was collected using questionnaires administered through personal interviews with fishers ( n = 277). The results suggest that local fishers are more likely to report illegal fishing if they had participated in conservation planning and if they are directly linked to community‐based wardens in information sharing networks. This research extends well‐established findings regarding the role and impacts of participation on biodiversity conservation by highlighting the importance of synergies between participation and social networks for voluntary monitoring of conservation regulations.

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)0,001
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 enseignants0,022
Score d'incertitude au seuil0,711

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 savante0,0000,000
Science ouverte0,0000,000
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 Opus0,041
Tête enseignante GPT0,269
Écart entre enseignants0,228 · 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

Citations31
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueConservation LettersMême sujetConservation, Biodiversity, and Resource ManagementTravaux en français237 207