Collaboration and engagement produce more actionable science: quantitatively analyzing uptake of fish tracking studies
Notice bibliographique
Résumé
Aquatic telemetry technology generates new knowledge about the underwater world that can inform decision-making processes and thus can improve conservation and natural resource management. Still, there is lack of evidence on how telemetry-derived knowledge can or has informed management, and what factors facilitate or deter its use. We present one of the first quantitative studies related to the science-action gap and evaluate factors that influence the uptake of fish telemetry findings into policies and practices, as well as social acceptance of these findings. We globally surveyed 212 fish telemetry researchers regarding the knowledge uptake of an applied fish telemetry research project of their choice. Respondents' personal and professional attributes, as well as the attributes of their chosen projects, were analyzed using machine learning algorithms to identify important factors that influenced the uptake (i.e., use, trust, and/or acceptance) of their findings. Researchers with extensive collaborations and who spent more time engaging in public outreach experienced greater uptake of their findings. Respondents with greater telemetry experience and commitment (e.g., more telemetry publications, higher proportion of research on fish telemetry) tended to achieve more social acceptance of their findings. Projects led by researchers who were highly involved and familiar with the fisheries management processes, and those where greater effort was devoted to research dissemination, also tended to experience greater uptake. Last, the levels of complexity and controversy of the issue addressed by the research project had a positive influence on the uptake of findings. The empirical results of this study support recent messages in the science practitioner literature for greater collaboration, knowledge co-production with partners, and public engagement to enable the transfer of knowledge and the use of evidence in decision-making and policies. Scientific organizations should consider shifting reward incentives to promote engagement and collaboration with non-scientific actors, and perhaps even rethinking hiring practices to consider personal and professional characteristics or attitudes such as altruism and networking skills given the influence of these factors in our model. Last, networks composed of both research and practice potentially have a key role in brokering and facilitating knowledge exchange and actions.
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 | 0,073 | 0,405 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».