The unrealized potential of community science to support research on the resilience of protected areas
Notice bibliographique
Résumé
Abstract To remain effective into the future, protected areas must be resilient to change. Evaluating the resilience of protected areas requires data across large spatial and temporal scales, which has proven to be a strength of community science in conservation research. Here, we assess the contributions of community science to different topics of protected area research and identify gaps where community science can be used more effectively. We performed a literature search aimed at capturing the research on resilient protected area design and management, then used Latent Dirichlet Allocation to model the topics represented in this corpus. Once topics were established, we searched for evidence of community science being used in each publication. Our analysis showed that there are five main areas of focus in resilient protected area research: biodiversity, climate change, connectivity, resources and ecosystem services, and social governance. We found limited evidence in the literature of community science directly assisting research in these areas. Community science has proven effective for extensive and cost‐effective data collection in other situations; therefore, we recommend ways in which conservation managers and researchers can incorporate community science in the design and management of resilient protected areas.
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 | 0,244 | 0,416 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,019 | 0,011 |
| Études des sciences et des technologies | 0,006 | 0,022 |
| Communication savante | 0,017 | 0,032 |
| Science ouverte | 0,005 | 0,021 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 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 découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».