Institutional Contexts and Policy Discourses: A Case of Water Quality Governance in Lake Erie Basin
Notice bibliographique
Résumé
There is growing recognition that the effects of discourse in shaping environmental policy are nested within broader institutional contexts. Consequently, over the last decade there have been increasing efforts by institutionalism scholars to theorize the link between discourses and institutions. This emerging ‘discursive institutionalism’ perspective considers discourse not only as an ensemble of ideas and their expression in language, but also takes into account the institutional contexts in which discourses emerge and are institutionalized in social practices. The application of this perspective in the context of resource governance has mainly focused on how dominant discourses become institutionalized into regulatory frameworks. However, the converse scenario, whereby the institutional context shapes the very nature of the discourse itself, has received much less attention in the scholarly literature. In this study, we employ the discursive institutional perspective to better understand the policy processes in the province of Ontario and the state of Ohio regarding the problem of eutrophication in Lake Erie, shared between Canada and the United States. Data collected through interviews, documentary sources, the news media and other relevant sources was analyzed with a process tracing approach. Results show that the federal and provincial/state level institutional arrangements in the two regions have influenced the nature of the ideational and interactive dimensions of discourse differently in the context of developing Domestic Action Plans (DAP) to address the eutrophication problem. Divergences in policy discourses revealed in the analysis show how different institutional contexts acted as filters for the varying cognitive and normative aspects of the policy discourses ultimately adopted in the DAPs. These differences may shape the relative effectiveness of achieving nutrient runoff reduction targets that initially set in motion the development of the DAPs themselves.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,020 | 0,016 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».