Transdisciplinary science for improved conservation outcomes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary Major advances in biology and ecology have sharpened our understanding of what the goals of biodiversity conservation might be, but less progress has been made on how to achieve conservation in the complex, multi-sectoral world of human affairs. The failure to deliver conservation outcomes is especially severe in the rapidly changing landscapes of tropical low-income countries. We describe five techniques we have used to complement and strengthen long-term attempts to achieve conservation outcomes in the landscapes and seascapes of such regions; these are complex social-ecological systems shaped by interactions between biological, ecological and physical features mediated by the actions of people. Conservation outcomes occur as a result of human decisions and the governance arrangements that guide change. However, much conservation science in these countries is not rooted in a deep understanding of how these social-ecological systems work and what really determines the behaviour of the people whose decisions shape the future of landscapes. We describe five scientific practices that we have found to be effective in building relationships with actors in landscapes and influencing their behaviour in ways that reconcile conservation and development. We have used open-ended inductive enquiry, theories of change, simulation models, network analysis and multi-criteria analysis. These techniques are all widely known and well tested, but seldom figure in externally funded conservation projects. We have used these techniques to complement and strengthen existing interventions of international conservation agencies. These five techniques have proven effective in achieving deeper understanding of context, engagement with all stakeholders, negotiation of shared goals and continuous learning and adaptation.
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.
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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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.
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 découle