Using decision science to build trust in mine closure decisions
Notice bibliographique
Résumé
In today’s changing social and environmental landscape, society requires organizations to shift to an everevolving world of ‘tell me what you are doing’, through to ‘show me what impact you are having’, and now to ‘involve me in your work’. With public trust in mining at an all-time low globally (Dhawan 2023), decision transparency involving competing objectives and unavoidable trade-offs can help build trust with interest groups, titleholders, and regulators in mine closure decisions. Decision science offers a structured approach to integrate and weigh multiple perspectives on objectives, risks, trade-offs, and preferences, that supports efficient mine closure planning. Breaking complex decisions down using logical frameworks with a structured and transparent approach helps people gain a common understanding, so that they can identify and discuss objectives. It exposes options across competing objectives at the core of difficult decisions. In contrast to other approaches such as gut feel and ‘we’ve always done it this way’, it addresses multiple objective trade-offs directly. It is a conceptually intuitive and easily applied approach. An intentional shift to structured, logical thinking provides confidence and clarity resulting in higher efficiency projects, cost savings, and a significant reduction in re-work. A decision science approach includes: (1) front end facilitation to frame the decision or decision series, (2) assessment of the project objectives including potentially conflicting desires of internal or external interest groups, (3) divergent creative thinking to identify new alternatives that better fulfill the prioritized objectives, (4) qualitative and quantitative analysis to assess and contrast alternatives based on how well they fulfill desired objectives, (5) threat identification and uncertainty management aspects that will flow into the project management and execution phase of the closure. A healthy decision culture, where teams and decision-makers foster a culture of inquiry instead of advocacy allows people embrace creative conflict and curiosity around differing values and objective trade-offs. This results in a shared understanding, identifies superior alternatives, reduces risk, and accelerates project development. Our industry can benefit from adopting a decision science approach to the many important, complex decisions we all face, as we work to increase efficiency, reduce cost, and build trust in mine closure decisions.
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 | 0,001 | 0,000 |
| 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 | 0,000 | 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 ».