Localizing the 2030 Agenda With Community Data: Lessons From the Community Foundations of Canada’s Vital Signs Program
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
Drawing on case studies in Canada, this article analyzes the critical role that community indicators can play in philanthropy’s ability to localize the United Nations 2030 Agenda for Sustainable Development and the associated Sustainable Development Goals to address complex societal and environmental challenges. Measurement is an integral component of Agenda 2030, and communities are increasingly using indicators to align their plans, inform granting decisions, and track equity and sustainability outcomes. Canada’s most extensive community-driven indicator program, Vital Signs, uses different types of data to measure the vitality of a community and support action toward improving collective quality of life; and data gathered through the program is used to support evidence-based, locally relevant philanthropy. This article highlights case studies from three community foundations in Canada that have successfully localized the 2030 Agenda by aligning their Vital Signs data and associated programming with the SDGs to coordinate community action. This article details the technical challenge of localizing the SDGs through community indicators and demonstrates how the localization process itself can help foundations achieve desired outcomes and drive progress at the community level. Altogether, community indicator initiatives like those used in Vital Signs research are useful tools to help philanthropic organizations accelerate community-level SDG implementation and tackle complex, intersecting challenges related to sustainability, equity, and justice. In turn, a data-driven approach to localizing the SDGs can strengthen the philanthropic sector’s ability to target its impact on the issue areas and populations that need it most.
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 | 0,015 | 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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