Community engagement and the importance of partnerships within the Great Lakes Areas of Concern program: A mixed-methods case study
Notice bibliographique
Résumé
The Great Lakes Areas of Concern (AOC) program was created through amendments to the Great Lakes Water Quality Agreement (GLWQA) in 1987 to restore contaminated sites using an ecosystem-based approach. This program represents one of the first instances of ecosystem-based management (EBM) in the Great Lakes region with a specific focus on the inclusion of the public and local stakeholders in the process. Despite official language incorporating EBM in the AOC program, implementation of these practices has not been consistent across AOCs given differences in local arrangements of Public Advisory Councils (PACs), approaches to community engagement, and environmental problems. To better understand community engagement in these complex AOCs, this research investigated community, PAC, and state agency perspectives in three AOCs in Michigan: the Kalamazoo River, Saginaw River and Bay, and Rouge River AOCs. We gathered data through interviews, focus groups, and participatory observations with community members, PAC members, and state officials in each AOC. Findings indicate that communities in these areas have minimal connection to the AOC program and PACs. Community members tended to have greater connection to local organizations that provide a variety of opportunities for community members to engage with their environment in ways they value. To better connect the public to the AOC program, PACs may benefit from intentional partnerships with community organizations to increase community engagement. To consistently bolster community engagement in AOCs, we further recommend that state agencies provide additional resources to improve connection to local communities.
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 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 | 0,032 | 0,000 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».