One-Size Does Not Fit All—A Networked Approach to Community-Based Monitoring in Large River Basins
Notice bibliographique
Résumé
Monitoring methods based on Indigenous knowledge have the potential to contribute to our understanding of large watersheds. Research in large, complex, and dynamic ecosystems suggests a participatory approach to monitoring—that builds on the diverse knowledges, practices, and beliefs of local people—can yield more meaningful outcomes than a “one-size-fits-all” approach. Here we share the results of 12 community-based, participatory monitoring projects led by Indigenous governments and organizations in the Mackenzie River Basin (2015–2018). Specifically, we present and compare the indicators and monitoring methods developed by each of these community-based cases to demonstrate the specificity of place, culture, and context. A scalar analysis of these results suggests that the combination of core (common) indicators used across the basin, coupled with others that are meaningful at local level, create a methodological bricolage—a mix of tools, methods, and rules-in-use that are fit together. Our findings, along with those of sister projects in two other major watersheds (Amazon, Mekong), confront assumptions that Indigenous-led community-based monitoring efforts are too local to offer insights about large-scale systems. In summary, a networked approach to community-based monitoring that can simultaneously engage with local- and watershed-level questions of social and ecological change can address gaps in knowledge. Such an approach can create both practices and outcomes that are useful to local peoples as well as to those engaged in basin-wide governance.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».