Lessons from COP15 on effective scientific engagement in biodiversity policy processes
Notice bibliographique
Résumé
The Kunming-Montreal Global Biodiversity Framework was adopted by parties to the Convention on Biological Diversity in December 2022. The aftermath of these negotiations provides an opportunity to draw lessons as to how ecological and evolutionary science can more effectively inform policy. We examined key challenges that limit effective engagement by scientists in the biodiversity policy process, drawing parallels with analogous challenges within global climate negotiations. Biodiversity is multifaceted, yet represents only one framing for nature's contributions to people, complicating the nexus between evidence and values in development of the framework's targets. Processes generating biodiversity and driving its loss are multiscalar, challenging development of an evidence base for globally standardized targets. We illustrated these challenges by contrasting development of 2 key elements of the framework. The genetic diversity element of the framework's target 4 is directly related to the framework's primary goals, but its complexity required development of novel engagement skills. The target for protected areas was easily communicated but more indirectly related to biodiversity outcomes; evidence from ecological and social science was essential to communicating the context and limitations of this relationship. Scientists can strengthen the effectiveness of global agreements and address challenges arising from complexity, scaling, capacity limitations, and the interplay of science and values, if they can prioritize communication, consensus-building, and networking skills and engage throughout the process, from development of an evidence base to implementation.
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 | 0,001 |
| 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) | 0,006 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».