Multi-level storylines for participatory modeling – involving marginalized communities in Tz'olöj Ya', Mayan Guatemala
Notice bibliographique
Résumé
Unconventional sources of data that enhance our understanding of internal interactions between socio-economic and hydrological processes are central to modeling human–water systems. Participatory modeling (PM) departs from conventional modeling tools by informing and conceptualizing human–water systems through stakeholder engagement. However, the implementation of many PM processes remains biased, particularly in regions where marginalized communities are present. Many PM processes are not cognizant of differentiation and diversity within a society and tend to treat communities as homogeneous units with similar capabilities, needs, and interests. This undifferentiation leads to the exclusion of key actors, many of whom are associated with marginalized communities. In this study, a participatory model-building framework (PMBF), aiming to ensure the inclusiveness of marginalized stakeholders – who (1) have low literacy, (2) are comparatively powerless, and/or (3) are associated with a marginalized language – in participatory modeling, is proposed. The adopted approach employs interdisciplinary storylines to inform and conceptualize human–water systems. The suggested method is underpinned by the multi-level perspective (MLP) framework, which was developed by Geels et al. (2002) to conceptualize socio-technical transitions and modified in this study to accommodate the development of interdisciplinary storylines. A case study was conducted in Atitlán Basin, Guatemala, to understand the relationships that govern the lake's cultural eutrophication problem. This research integrated key stakeholders from the Indigenous Mayan community, associated with diverse literacy ranges, and emerging from three different marginalized linguistic backgrounds (Kaqchikel, Tz'utujil, and K'iche'), in the PM activity. The proposed approach facilitated the participation of marginalized stakeholders. Moreover, it (1) helped develop an understanding of mechanisms governing the eutrophication of the lake, (2) initiated a dialogue between Indigenous Peoples and non-Indigenous stakeholders, and (3) extracted potential solutions targeting the system's leverage points. The participatory model-building activity generated three submodules: (1) agriculture, (2) tourism, and (3) environmental awareness. Each submodule contained socioculturally specific mechanisms associated with nutrient discharge to Lake Atitlán. The delineation of such nuanced relationships helps develop well-targeted policies and best management practices (BMPs). Additionally, the suggested process helped decrease the impact of power imbalances in water resources management and empowered community-based decision-making.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,005 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».