Understanding and mapping local conflicts related to protected areas in small islands: a case study of the Azores archipelago
Notice bibliographique
Résumé
Establishing Protected Areas (PAs) is considered one of the most appropriate ways to conserve nature and cultural landscapes. However, conservation constraints can generate social conflicts, especially at a local level. In small islands (SIs), local conflicts may escalate due to an increase in competition for limited space and resources. Pico island in the Azores Archipelago (Portugal), part of the Outermost European region, was considered a good case to study conservation-development conflicts due to the amount of designated protected land (> 35% of its surface) and the approval of a new Azorean PA network in 2007. This paper presents a new approach to understanding and mapping local conflicts within PAs in SIs by integrating qualitative data and spatially explicit information. This research takes stock of the benefits, needs and constraints related to Pico Natural Park as perceived by local stakeholders through face-to-face semi-structured interviews; it subsequently identifies and transposes the conflicts distilled from stakeholder discourse into spatially representative visual maps via GIS. Research outcomes show that PAs are perceived mainly as constraints to local development, showing inconsistency between local expectations and regional conservation policy. This highlights the importance of including public participation processes prior to any implementation of conservation strategies. The proposed method provides a springboard towards effective conflict management for PAs on Pico island, showing a relatively low-cost and straightforward approach to minimising future local conflicts which could be adapted to other similar Outermost European regions and SIs.
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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».