Why Can’t We All Just Get Along? Conflict and Collaboration in Urban Forest Management
Notice bibliographique
Résumé
Abstract Urban forest management is crucial for supporting human well-being, ecosystems, and society, particularly with expanding global urban population and multi-uses of these urban greenspaces. This literature review examines the conceptualization and factors that contribute to conflicts and/or collaborations in urban forest management, including, but not limited to, diverse actors’ uses, needs, and perceptions. Using PRISMA methods, we systematically reviewed 176 scholarly articles published between 2013 and 2021 and found that most articles were primarily from the United States, Australia, and Canada. Findings highlight the need for clearer definitions of collaboration, emphasizing communication, operational tasks, planning, and shared beliefs among actors. Positive collaborations involved multi-level engagement and inclusive decision-making. In most cases, multiple issues contributed to conflict, including a variety of stakeholders with differing viewpoints on a given situation. Conflicts are commonly complex situations that do not lend themselves to a one-size-fits-all solution and tend to be a unique manifestation of the people, places, and perspectives involved. Our review can inform practitioners about more inclusive practices and adaptive management of urban forests. We conclude by providing lessons learned and suggestions for future research on stakeholder involvement, public education, governance, policy, decision-making, and the role of biophysical and ecosystem services in urban forest collaboration and conflicts.
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) | 0,000 | 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 ».