Using public litigation records to identify priority science needs for managing public lands
Notice bibliographique
Résumé
Relevant science is essential for effective natural resource decision making, including on public lands managed by the United States Department of the Interior (DOI) Bureau of Land Management (BLM), that cover 1/10th of the United States. Most of the BLM’s management decisions require analyses under the National Environmental Policy Act, and the use of science in these decisions is often challenged. Using coproduction, we assembled an interagency team of scientists and resource managers to develop a method for using public litigation to identify priority science needs for the BLM. We searched publicly available case documents finalized from 2015–2019 in Wyoming, Colorado, Utah, and New Mexico within federal courts and the DOI Office of Hearings and Appeals, and identified 108 case documents that involved challenges to the BLM’s use of science. We retained 48 case documents that contained at least one challenge about the BLM’s use of science for a specific resource. We categorized all challenges in each case document according to the proposed action, affected resource, type of science challenged (data about resources, science relevant to potential impacts, methods for analyzing potential impacts, and mitigation actions), and specific nature of the challenge (e.g., challenging direct effects analysis). We identified priority science needs based on the frequency of challenges, the number of states where similar challenges occurred, whether the BLM lost the challenge, and whether the case was remanded. Top needs related to oil and gas development actions and included science about effects on air quality and climate, water, and socioeconomics; data for air quality and climate; and methods for analyzing potential impacts to cultural resources and air quality and climate. The BLM can use this information to prioritize actions (e.g., funding new research or science syntheses) to strengthen its science foundation for decision-making.
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 | 0,067 | 0,225 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,041 | 0,023 |
| Études des sciences et des technologies | 0,008 | 0,002 |
| Communication savante | 0,012 | 0,011 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,003 |
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 ».