Transdisciplinary science for strengthening forest systems in British Columbia: Quesnel as a learning landscape
Notice bibliographique
Résumé
Forestry is becoming more complex as a result of diverging societal demands. Indigenous Peoples’ reconciliation and the challenges of climate change call for research that embraces transdisciplinarity, reciprocity, and problem-focused learning at the landscape scale. Both globally and in Canada, forestry and forest research are struggling to keep pace with this growing complexity. Place-based collaborative research and learning initiatives, described here as “learning landscapes,” offer an under-explored approach to meeting diversifying goals for forest landscapes. We describe recent progress in Quesnel, British Columbia, where researchers and local institutions are engaging to strengthen resilience and innovation in the forest sector. We first define the concept of learning landscape in the context of transdisciplinary sustainability science, and then illustrate this approach using the case study of Quesnel. We describe a process of systems diagnosis, including asset mapping and analysis of potential forestry pathways through a “best bets” framework. We propose a Theory of Change as a way forward, outlining opportunities for government, industry, and communities in developing regional capacity for integrated management and high-value forest products. We reflect on the contributions of learning landscapes to knowledge generation, experiential learning, and institutional development, and discuss implications for steering decision-making in locally driven sustainability transitions.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,021 | 0,012 |
| Communication savante | 0,008 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 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 ».