Supporting actionable science for environmental policy: Advice for funding agencies from decision makers
Notice bibliographique
Résumé
Successful incorporation of scientific knowledge into environmental policy and decisions is a significant challenge. Although studies on how to bridge the knowledge-action gap have grown rapidly over the last decade, few have investigated the roles, responsibilities, and opportunities for funding bodies to meet this challenge. In this study we present a set of criteria gleaned from interviews with experts across Canada that can be used by funding bodies to evaluate the potential for proposed research to produce actionable knowledge for environmental policy and practice. We also provide recommendations for how funding bodies can design funding calls and foster the skills required to bridge the knowledge-action gap. We interviewed 84 individuals with extensive experience as knowledge users at the science-policy interface who work for environmentally focused federal and provincial/territorial government bodies and non-governmental organizations. Respondents were asked to describe elements of research proposals that indicate that the resulting research is likely to be useful in a policy context, and what advice they would give to funding bodies to increase the potential impact of sponsored research. Twenty-five individuals also completed a closed-ended survey that followed up on these questions. Research proposals that demonstrated 1) a team with diverse expertise and experience in co-production, 2) a flexible research plan that aligns timelines and spatial scale with policy needs, 3) a clear and demonstrable link to a policy issue, and 4) a detailed and diverse knowledge exchange plan for reaching relevant stakeholders were seen as more promising for producing actionable knowledge. Suggested changes to funding models to enhance utility of funded research included 1) using diverse expertise to adjudicate awards, 2) supporting co-production and interdisciplinary research through longer grant durations and integrated reward structures, and 3) following-up on and rewarding knowledge exchange by conducting impact evaluation. The set of recommendations presented here can guide both funding agencies and research teams who wish to change how applied environmental science is conducted and improve its connection to policy and practice.
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 | 0,143 | 0,231 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,023 | 0,016 |
| Communication savante | 0,027 | 0,021 |
| Science ouverte | 0,006 | 0,017 |
| Intégrité de la recherche | 0,021 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,006 |
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 ».