Understanding the complex power dynamics that shape collaboration and social learning in multi-stakeholder water governance
Notice bibliographique
Résumé
The relationship between power dynamics and decision making in natural resource management is central to explaining governance outcomes. Contemporary catchment governance is increasingly characterized by the interaction of multiple stakeholder groups, which has shifted processes like collaboration and social learning into the focus of water governance research and related fields. Because collaboration and social learning are effective tools for resilience building through, for example, strengthening social capital and network relationships, there is need to better understand how power dynamics influence processes of collaboration and learning and consequential decision making. A three-dimensional power theory was applied to elucidate how instrumental, structural, and discursive power dynamics shape collaboration and social learning in catchment governance, and their effects on governance outcomes. The development process of the Lockyer Valley Catchment Action Plan (Australia) in 2015–2016 was used as a case study. Twenty-five interviews with three diverse stakeholders were conducted and thematically analyzed to extract power evidence from this example of a real-world multi-stakeholder governance process. We identified three main hubs of power, namely: (1) power of facilitation; (2) power of trust; and (3) power of politics. These hubs were characterized by a multitude of strongly interlinked instrumental, structural, and discursive power dynamics. Understanding these hubs of power allow the identification of intervention points to strengthen water governance effectiveness in times of water crisis.
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 | 0,010 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,020 |
| Communication savante | 0,007 | 0,012 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».