Infrastructuring “data-driven” environmental governance in Louisiana’s coastal restoration plan
Notice bibliographique
Résumé
Conservationists around the world advocate for “data-driven” environmental governance, expecting data infrastructures to make all relevant and actionable information readily available. But how exactly is data to be infrastructured and to what political effect? I show how putting together and maintaining environmental data for decision-making is not a straightforward technical task, but a practice shaped by and shaping politico-economic context. Drawing from the US state of Louisiana’s coastal restoration planning process, I detail two ways ecosystem modelers manage fiscal and institutional “frictions” to “infrastructuring” data as a resource for decision-making. First, these experts work with the data they have. They leverage, tweak, and maintain existing datasets and tools, spending time and money to gather additional data only to the extent it fits existing goals. The assumption is that these goals will continue to be important, but building coastal data infrastructure around current research needs, plans, and austerity arguably limits what can be said in and done with the future. Second, modelers acquire the data they made to need. Coastal communities have protested the state’s primary restoration tool: diversions of sediment from the Mississippi River. Planners reacted by relaxing institutional constraints and modelers brought together new data to highlight possible winners and losers from ecological restoration. Fishers and other coastal residents leveraged greater dissent in the planning process. Political ecologists show that technocentric environmental governance tends to foreclose dissent from hegemonic socioecological futures. I argue we can clarify the conditions in which this tends to happen by following how experts manage data frictions. As some conservationists and planners double down on driving with data in a “post-truth” world, I find that data’s politicizing effects stem from what is asked of it, not whether it is “big” or “drives.”
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,009 |
| Communication savante | 0,017 | 0,006 |
| Science ouverte | 0,001 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».