MétaCan
Menu
← Retour à la cohorte
Enregistrement W2974303932 · doi:10.2737/pnw-gtr-957

Recreation economic values for estimating outdoor recreation economic benefits from the National Forest System

2017· report· en· W2974303932 sur OpenAlexaboutno aff
Randall S. Rosenberger, Eric M. White, Jeffrey D. Kline, Claire Cvitanovich

Notice bibliographique

Revuenon disponible
Typereport
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueEconomic and Environmental Valuation
Établissements canadiensnon disponible
Organismes subventionnairesU.S. Forest ServiceU.S. Department of Agriculture
Mots-clésRecreationEcosystem servicesEconomic surplusEnvironmental resource managementEconomic impact analysisValue (mathematics)Resource (disambiguation)Natural resourceNatural resource economicsBusinessGeographyEconomic evaluationService (business)EcosystemEnvironmental planningEconomicsMarketingEcologyComputer science

Résumé

récupéré en direct d'OpenAlex

Natural resource professionals are often tasked with weighing the benefits and costs of changes in ecosystem services associated with land management alternatives and decisions.In many cases, federal regulations even require land managers and planners to account for these values explicitly.Outdoor recreation is a key ecosystem service provided by national forests and grasslands, and one of significant interest to the public.This report presents the most recent update of the Recreation Use Values Database, based on an exhaustive review of economic studies spanning 1958 to 2015 conducted in the United States and Canada, and provides the most up-todate recreation economic values available.When combined with data pertaining to recreation activities and the quantity of recreation use, the recreation economic values can be used for estimating the economic benefits of outdoor recreation.The recreation economic value estimates provided in this report, whether from past research literature or from values constructed using our meta-analysis benefit function, are average consumer surplus per person per activity day.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,026
score de la tête « metaresearch » (Gemma)0,056
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,135

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0260,056
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,008
Bibliométrie0,0110,017
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,240
Tête enseignante GPT0,295
Écart entre enseignants0,056 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations44
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetEconomic and Environmental Valuation→Travaux en français237 207→