Insights from a novel, user-driven science transfer program for resource management
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 | 0,002 |
| 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 | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle