Making Landscapes Negotiable: Q-methodology as a Boundary-Spanning and Empowering Diagnostic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Landscapes are conceptually fuzzy and rich, and subject to plural framings. They are places of inquiry and intervention for scientists and practitioners, but also concepts bound to peoples' dynamic identities, knowledge systems, inspiration, and well-being. These varying interpretations change the way landscapes function and evolve. Developed in the 1930s, Q-methodology is increasingly recognized for being useful in documenting and interrogating environmental discourses. Yet its application in the context of how integrated landscape approaches better navigate land-use dilemmas is still in its infancy. Based on our experience and emerging literature, such as the papers in this special collection, this article discusses the value of Q-methodology in addressing landscape sustainability issues. Q-methodology helps unravel and communicate common and contradicting landscape imaginaries and narratives in translational and boundary-spanning ways, thus bridging actors' different understandings of problems and solutions and revealing common or differentiated entry points for negotiating trade-offs between competing land uses. The methodology can be empowering for marginalized people by uncovering their views and aspirational values to decision-makers and policymakers. We argue that this potential can be further strengthened by using Q to identify counter-hegemonic discourses and alliances that combat injustices regarding whose knowledge and visions count. In this way, applying Q-methodology in integrated landscape approaches can become a key tool for transitioning toward just, inclusive, and sustainable landscapes.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 découle