Insights from a novel, user-driven science transfer program for resource management
Notice bibliographique
Résumé
Abstract Research results are often not easily accessible or readily digestible for decision-making by natural resource managers. This knowledge-action gap is due to various factors including the time lag between new knowledge generation and its transfer, lack of formal management structures, and institutional inertia to its uptake. Herein, we reflect on the Great Lakes Fishery Commission’s Science Transfer Program and its evolution from ‘Mode 1’ (i.e., scientists conduct research autonomously) toward ‘Mode 2’ (i.e., co-production of knowledge with practitioners) knowledge production to understand and overcome the knowledge-action gap. Six success factors and strategies and tactics used to achieve those factors were critical to the shift from Mode 1 to Mode 2: (1) dedicate funding and staff support; (2) obtain top-down commitment from organizational leadership; (3) break down silos; (4) build relationships through formal and informal interactions; (5) emphasize co-production in program and project implementation; and (6) obtain buy-in among relevant actors. By way of three project case studies, we highlight knowledge transfer approaches, products, and lessons learned. We anticipate this contribution will benefit those working on knowledge mobilization, particularly in boundary-spanning organizations, and those involved in resource program management, administration, and design; it is also intended for resource managers seeking to have their science and information needs met more effectively.
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 | 0,021 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,006 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; 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 ».