Discourses mapped by Q-method show governance constraints motivate landscape approaches in Indonesia
Notice bibliographique
Résumé
Interpreting discourses among implementers of what is termed a "landscape approach" enables us to learn from their experience to improve conservation and development outcomes. We use Q-methodology to explore the perspectives of a group of experts in the landscape approach, both from academic and implementation fields, on what hinderances are in place to the realisation of achieving sustainable landscape management in Indonesia. The results show that, at a generic level, "corruption" and "lack of transparency and accountability" rank as the greatest constraints on landscape functionality. Biophysical factors, such as topography and climate change, rank as the least constraining factors. When participants considered a landscape with which they were most familiar, the results changed: the rapid change of regulations, limited local human capacity and inaccessible data on economic risks increased, while the inadequacy of democratic institutions, "overlapping laws" and "corruption" decreased. The difference indicates some fine-tuning of generic perceptions to the local context and may also reflect different views on what is achievable for landscape approach practitioners. Overall, approximately 55% of variance is accounted for by five discourse factors for each trial. Four overlapped and two discourses were discrete enough to merit different discourse labels. We labelled the discourses (1) social exclusionists, (2) state view, (3) community view, (4) integrationists, (5) democrats, and (6) neoliberals. Each discourse contains elements actionable at the landscape scale, as well as exogenous issues that originate at national and global scales. Actionable elements that could contribute to improving governance included trust building, clarified resource rights and responsibilities, and inclusive representation in management. The landscape sustainability discourses studied here suggests that landscape approach "learners" must focus on ways to remedy poor governance if they are to achieve sustainability and multi-functionality.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,036 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,011 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».