Factors influencing social demands of aquatic ecosystems
Notice bibliographique
Résumé
Aquatic ecosystems provide services essential to human health and economies. Therefore, resource management programs aim to ensure the sustainable flow of these services. Stakeholder engagement is often a critical tool in learning what services are of priority to the public and may be integral to the success of aquatic ecosystem management because public participation in planning and decision making can generate broader support, e.g., financial, intellectual, and labor, for the management plan. The collection of such information may even be statutorily mandated, such as in the Clean Water Act of the United States, which requires that water bodies be classified for the beneficial uses, e.g., fisheries, drinking water, or recreation, they provide. Past evaluations of stakeholder engagement with aquatic ecosystems have considered a wide range of factors influencing engagement. We conducted a critical review of the literature on characteristics of stakeholders and characteristics of the environment that influence stakeholder engagement and participation with aquatic ecosystems. Our objective was to identify factors that should be considered in the creation of surveys to help encourage the inclusion of ecological and social beneficial uses data in large-scale water monitoring programs. Factors identified in our review were, extent and influence of place-based knowledge; proximity to, and frequency of visitation of the resource(s) being considered; basic demographics such as age, gender, education, and income; home community type; aesthetic appeal of the resource; and primary reason for engagement with the resource. We propose these factors, with subfactors, as a template for survey development.
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) | 0,001 | 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 ».