ELD Initiative: Practitioner’s Guide
Notice bibliographique
Résumé
As the world’s population continues to rise, there is an ever increasing demand for our land to produce a diverse range of products such as food, timber, and fuel. Our growing need for these goods is leading to higher levels of competition between different land uses and, as a result, land users. Not only is the quantity of land available for production under current technical and economic conditions limited, but there is also growing evidence that the quality of our land is degrading (Safriel, U. N. 2007; Millennium Ecosystem Assessment, 2005; TEEB, 2010). As a result, healthy land that is available for production is becoming an increasingly scarce resource, and there is a great need to make better use of what we have available, both now and in the future. Improved co-production of knowledge is needed between scientists, local community members, technical advisors, administrators and policy makers. These different groups may be considered “stakeholders”, defined as those who are affected by or who can affect a decision or issue (Freeman, 1984). Stakeholder engagement can be defined as “a process where individuals, groups and organisations choose to take an active role in making decisions that affect them” (Reed, 2008). It is argued that stakeholder engagement may enhance the robustness of policy decisions designed to reduce the vulnerability of ecosystems and human populations to land degradation (de Vente et al., in press). In this way, it may be possible to develop response options that are more appropriate to the needs of local communities and can protect their livelihoods and wellbeing (ibid).
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 | 0,019 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,008 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,415 | 0,302 |
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 ».