MétaCan
Menu
Retour à la cohorte
Enregistrement W2999167300 · doi:10.5070/p536146399

Parks Canada’s adaptation framework and workshop approach: Lessons learned across a diverse series of adaptation workshops

2020· article· en· W2999167300 sur OpenAlexaffabout
Elizabeth Nelson, Elyse Mathieu, Julia Thomas, Hilary Harrop Archibald, Hilary Ta, David Scarlett, Lydia Miller, Blythe MacInnis, Virginia Sheehan, Kristina Pompura, Donya Hassanzadeh, Lilith Brook, Jennifer Grant, Dawn Carr, Laura Graham, Jenny Harms, Ramon Amaro de Sales, Karen Hartley, Robert P. Cameron, Cameron Eckert, Jessica Elliot, Delaney Boyd, Dinah Tambalo

Notice bibliographique

RevueParks Stewardship Forum · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSpecies Distribution and Climate Change
Établissements canadiensParks Canada
Organismes subventionnairesnon disponible
Mots-clésAdaptation (eye)Nova scotiaClimate change adaptationGeographyProcess (computing)Climate changeEnvironmental resource managementLibrary sciencePolitical scienceComputer scienceArchaeologyEcologyEnvironmental sciencePsychology

Résumé

récupéré en direct d'OpenAlex

In 2017, the Canadian Parks Council Climate Change Working Group, a team of federal, provincial, and territorial representatives, developed a Climate Change Adaptation Framework for Parks and Protected Areas, guiding practitioners through a simple, effective five-step adaptation process. This framework was adapted by Parks Canada into a two-day adaptation workshop approach, with 11 workshops subsequently held from September 2017 to May 2019 at Parks Canada sites in the Yukon, Quebec, Manitoba, Alberta, Nova Scotia, British Columbia, Newfoundland, and Ontario. Lessons learned from each workshop have been integrated into the approach, with the development of tools and guidance for each phase of the process, and a shareable, visual “placemat” that describes each step of the framework, acting as a map for those navigating the process.

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)0,062
score de la tête « metaresearch » (Gemma)0,031
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,153
Score d'incertitude au seuil0,925

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0620,031
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0350,012
Communication savante0,0150,006
Science ouverte0,0090,015
Intégrité de la recherche0,0040,010
Charge utile insuffisante (le modèle a refusé de juger)0,0080,002

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 Opus0,090
Tête enseignante GPT0,290
Écart entre enseignants0,200 · 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'étudeQualitatif
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

Citations13
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueParks Stewardship ForumMême sujetSpecies Distribution and Climate ChangeTravaux en français237 207