A missing piece of the puzzle of on-farm freshwater restoration: What motivates land managers to record and report land management actions?
Notice bibliographique
Résumé
Worldwide, progress has been made toward managing productive lands more sustainably to improve freshwater health. However, a lack of national guidance for environmental reporting and recording means that it is not possible to quantify consistently which land management actions that help improve water quality have been implemented, where, when, and to what extent. This situation suggests that information on the effectiveness of these actions is missing or fragmented. Systematic recording and reporting of land management actions is an important piece of a large freshwater restoration puzzle. We investigated what motivates New Zealand land managers to record their actions and report them to their networks by conducting 23 semi-structured interviews. Between February and November 2020, we spoke with food producers, New Zealand Indigenous people of the land <em>tāngata whenua</em> community members, and government and industry representatives. The key themes that described motivators for these land managers to record and report land management actions were collective engagement (e.g., working with catchment care groups), identity and social norms (e.g., being a “socially approved” farmer), and efficient farm management (e.g., using one simple recording tool for multiple purposes to save time). While these findings will be broadly germane to international contexts, they are being used specifically to inform the development of a proposed National Register of Land Management Actions in Aotearoa New Zealand.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».