Conducting urban ecology research on private property: advice for new urban ecologists
Notice bibliographique
Résumé
Private property makes up a large proportion of urban green space and differs from public green space in ecologically important ways. While including private property in urban landscape research is necessary, ecologists are frequently unprepared to work on private property and thus often exclude private land from empirical studies. To address this gap and encourage research on private property, we ask: ‘What lessons have urban ecologists learned from designing their research and completing their fieldwork that are relevant to researchers new to private property?’ We present 10 common methodological and practical challenges faced by urban ecologists, with solutions synthesized from semistructured interviews with 24 urban ecologists from 7 countries, along with public health researchers and police officers. The compiled advice addresses all stages of research, including research design, sample design, gaining access to study sites, collecting data on study sites and sharing results. Ecologists reported that their research and sampling design were shaped by the need to work with property owners, found communicating honestly and respectfully with property owners for the duration of the research influenced success, and emphasized practicing good field safety and preparing for both routine and stressful in-person encounters. Further research and collaboration among ecologists and private property owners is necessary to improve our understanding and management of urban ecosystems given the proportion of urban green space that is on private property. We hope that our suggestions will help guide the next generation of urban ecologists to take up this challenge.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».