Community-Based Social Marketing—Creating Lasting, Sustainable, Environmental Change: Case Study of a Household Stormwater Management Program in the Region of Waterloo, Ontario
Notice bibliographique
Résumé
With increased frequency of extreme weather events due to climate change, there is growing need for urban, small-scale adaptation and preventative measures such as stormwater management to reduce the risk of flooding. Homeowners are often reluctant to adopt preventative stormwater measures without tangible benefits or direct experience with the flooding risks or other negative externalities. Using community-based social marketing (CBSM) as a framework, we investigated how to more effectively encourage stormwater management at the household level. In collaboration with the Canadian non-profit organization, Reep Green Solutions (Region of Waterloo, Ontario), we focused on an existing program, the RAIN Home Visit (RHV), which was designed to increase engagement in pro-environmental stormwater management behaviors. Reports from the RHV were assessed, and past program participants were interviewed using a semi-structured question set to identify barriers encountered in enacting these behaviors and to assess the program for inclusion of CBSM principles and tools. Surveys were used to collect demographic data from participants. We found that while preferred behaviors were explained and incentives were provided, more thorough, clear explanation was needed for homeowners as well as incentives of suitable size and value to effectively motivate homeowners to change. Key features that should be included in future RHV programs are public commitments, follow-up, and reminders. Further research should consider risk perception impacts with CBSM, to determine how these can work together and, perhaps, which precedes the other. Some people may be more influenced by social norms to act and others by risk perception.
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 | 0,004 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».