Public Engagement in the Great Lakes Basin: a Regression & Spatial Analysis of Predictors of Public Engagement using Great Lakes Regional Survey Data
Notice bibliographique
Résumé
This research project is an analysis of public opinion in the Great Lakes region (i.e., socio-demographic characteristics, values and beliefs) and an assessment of how these characteristics are related to watershed governance actions using LASSO regression and spatial analysis. The Great Lakes Regional Poll (GLRP) is a public opinion survey of 4550 residents (n = 4550) from across the GL basin performed on behalf of the International Joint Commission, and has been the focus of previous social science scholarship and analysis. The biennial survey includes over 60 questions related to perceived status and conditions of the Great Lakes, willingness to engage in water protection actions and questions about individual beliefs and policy/regulation support as well as respondent socio-demographics. The 2018 edition of the survey was analyzed previously using LASSO regression to determine which variables are significant related to public engagement. This study builds on previous research by analyzing the 2021 survey and consistency of results are discussed within the context of the Pro-Environmental Behaviour (PEB) literature. Geo-spatial mapping of residuals is also introduced as a diagnostic tool for model performance. The model includes 61 predictors from 2021 GLRP. Four consistent predictors were identified, including: Political Ideology, Indigenous Identity, Belief of Role of the Individual in GL protection; and Age. Two of these (Political Ideology and Indigenous Identity) are found to be consistent with previous work. The findings from this research related to these predictors gives insight for policy makers as well as researchers to develop theory and strategies related to future public engagement in the Great Lakes region.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».