Measuring behavioral social learning in a conservation context: Chilean fishing communities
Notice bibliographique
Résumé
Abstract In the sustainability and conservation sciences, “social learning” is defined as a group process which depends on trust and social capital and tends to boost conservation outcomes. We term this “collaborative social learning.” Meanwhile, the behavioral sciences define social learning as the individual use of socially acquired information and seek to explain how individuals employ social learning as part of adaptive behavior. We term this “behavioral social learning.” However, the influence of behavioral social learning on ecological outcomes is poorly understood. We conducted a study of behavioral social learning among fishers in seven communities in Chile's Region V to probe its connections with ecological outcomes and collaborative social learning. We develop and employ a novel behavioral measure of individual social learning in a simple fishing game in which fishers may pay a portion of their game earnings to observe and learn from other fishers in the game. We explore the internal and external validity of the instrument. The self‐consistency of game play, learning, and participant reflections reveals strong internal validity of the learning game. Additionally, game behavior is correlated with factors such as migration history, and the perceived availability of peers from whom to learn, suggesting the method also holds external validity. We then test whether factors associated with collaborative social learning, such as social capital, are related to social learning behavior as measured by the experiment. Interestingly, many correlates of ‘collaborative social learning’ are not strongly correlated with ‘behavioral social learning’ in our sample. We argue that this disconnect can help improve our understanding of the emergence of community‐based conservation and positive ecological outcomes as well as ‘collaborative social learning’ itself. Finally, we provide guidance on how behavioral measures of social learning could benefit community‐based natural resource management and conservation.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».