Community clusters in wildlife and environmental management: using TEK and community involvement to improve co-management in an era of rapid environmental change
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
Environmental change has stressed wildlife co-management systems in the Arctic because parameters are changing more rapidly than traditional scientific monitoring can accommodate. Co-management systems have also been criticized for not fully integrating harvesters into the local management of resources. These two problems can be approached through the use of spatiallydefined human social units termed community clusters, which are based on the demographic or ecological units being managed. An examination of polar bear management in Nunavut Territory, Canada, shows that community clusters provide a forum to collect and analyse traditional ecological knowledge (TEK) over a geographic area that mirrors the management unit, providing detailed information of local conditions. This case study also provides examples of how instituting community clusters at a governance level provides harvesters with social space in which to develop their roles as managers, along the continuum from being powerless spectators to active, adaptive co-managers. Five steps for enhancing co-management systems through the inclusion of community clusters and their knowledge are: (1) the acceptance of TEK, science, the precautionary principle and the right of harvesters not to be constrained by overly-conservative management decisions; (2) data collection involving TEK and science, and a collaboration between the two; (3) institutionalization of community clusters for data collection; (4) institutionalization of community clusters in the management process; and (5) grass-roots initiatives to take advantage of the social space provided by the community cluster approach, in order to adapt the management to local conditions, and to effect policy changes at higher levels, so as to better meet local objectives.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle