Designing stakeholder learning dialogues for effective global governance
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
Abstract A growing scholarship on multistakeholder learning dialogues suggests the importance of closely managing learning processes to help stakeholders anticipate which policies are likely to be effective. Much less work has focused on how to manage effective transnational multistakeholder learning dialogues, many of which aim to help address critical global environmental and social problems such as climate change or biodiversity loss. They face three central challenges. First, they rarely shape policies and behaviors directly, but work to ‘nudge’ or ‘tip the scales’ in domestic settings. Second, they run the risk of generating ‘compromise’ approaches incapable of ameliorating the original problem definition for which the dialogue was created. Third, they run the risk of being overly influenced, or captured, by powerful interests whose rationale for participating is to shift problem definitions or narrow instrument choices to those innocuous to their organizational or individual interests. Drawing on policy learning scholarship, we identify a six-stage learning process for anticipating effectiveness designed to minimize these risks while simultaneously fostering innovative approaches for meaningful and longlasting problem solving: Problem definition assessments; Problem framing; Developing coalition membership; Causal framework development; Scoping exercises; Knowledge institutionalization. We also identify six management techniques within each process for engaging transnational dialogues around problem solving. We show that doing so almost always requires anticipating multiple-step causal pathways through which influence of transnational and/or international actors and institutions might occur.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 découle