Boundary Spanning Methodological Approaches for Collaborative Moose Governance in Eeyou Istchee
Notice bibliographique
Résumé
Natural resource governance challenges are often highly complex, particularly in Indigenous contexts. These challenges involve numerous landscape-level interactions, spanning jurisdictional, disciplinary, social, and ecological boundaries. In Eeyou Istchee, the James Bay Cree Territory of northern Quebec, Canada, traditional livelihoods depend on wild food species like moose. However, these species are increasingly being impacted by forestry and other resource development projects. The complex relationships between moose, resource development, and Cree livelihoods can limit shared understandings and the ability of diverse actors to respond to these pressures. Contributing to this complexity are the different knowledge systems held by governance actors who, while not always aligned, have broadly shared species conservation and sustainable development goals. This paper presents fuzzy cognitive mapping (FCM) as a methodological approach used to help elicit and interpret the knowledge of land-users concerning the impacts of forest management on moose habitat in Eeyou Istchee. We explore the difficulties of weaving this knowledge together with the results of moose GPS collar analysis and the knowledges of scientists and government agencies. The ways in which participatory, relational mapping approaches can be applied in practice, and what they offer to pluralistic natural resource governance research more widely, are then addressed.
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 | 0,022 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,012 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».