MétaCan
Menu
Retour à la cohorte
Enregistrement W3089036784 · doi:10.1080/14615517.2020.1820848

Leveraging impact assessment for satisfactory project outcomes: benefits of early planning and participatory decision-making

2020· article· en· W3089036784 sur OpenAlexaffabout
Melissa Mayhew, Jessica Perritt

Notice bibliographique

RevueImpact Assessment and Project Appraisal · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental and Social Impact Assessments
Établissements canadiensNuclear Waste Management Organization
Organismes subventionnairesnon disponible
Mots-clésTimelineTransparency (behavior)Stakeholder engagementImpact assessmentProcess managementStakeholderBusinessCitizen journalismProcess (computing)Project sponsorshipProject stakeholderProject planningEnvironmental planningSocial impact assessmentEnvironmental resource managementProject managementProject charterPublic relationsComputer sciencePolitical sciencePublic administrationManagementEconomics

Résumé

récupéré en direct d'OpenAlex

This article demonstrates to proponents that adopting good practices early in the impact assessment process can help to achieve positive project outcomes. Drawing from a case study of the Adaptive Phased Management Project proposed by Canada’s Nuclear Waste Management Organization, we show ways in which impact assessment can be leveraged to achieve beneficial outcomes for interested parties through early planning that includes a commitment to transparency and participatory engagement. A considerable benefit of the approach we outline is the establishment of good relationships between stakeholders, rights-holders, and the proponent, which facilitate dialogue regarding the goals of each party and how implementing the project can help to achieve them. Examples of stakeholder, Indigenous community, and proponent collaboration during early planning for the regulatory approval process, including legislated impact assessment, of a multi-billion dollar infrastructure project with an extended timeline are provided.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,085
Tête enseignante GPT0,453
Écart entre enseignants0,368 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
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

Citations5
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueImpact Assessment and Project AppraisalMême sujetEnvironmental and Social Impact AssessmentsTravaux en français237 207