Mobilizing Global Change Science for Effective Multi-Actor Governance in the Laguna San Rafael and Guayaneco Biosphere Reserve
Notice bibliographique
Résumé
The 1950s initiated transformative shifts in human interactions and societal behaviors, exacerbating global environmental challenges—notably, biodiversity loss. The post-2020 Kunming–Montreal Global Biodiversity Framework (GBF) addressed these challenges with ambitious plans to halt and reverse biodiversity losses. Supported by initiatives like UNESCO’s Man and the Biosphere program, the GBF seeks to enhance sustainability through country-level strategies that will mainstream nature-positive policies and expand multi-actor conservation governance. This study supports the local-level implementation of the GBF through a roadmap for the initial phase of the knowledge-action network creation. Through a case study of the Laguna San Rafael and Guayaneco Biosphere Reserve (LSRGBR) in Chilean Patagonia, this research explores the potential for inexpensive, readily available methods to support local decision makers by increasing access to and the visibility of relevant sustainability research. The study analyzes two decades of global change (GC) research within LSRGBR zones to understand spatial trends and identify applied insights with the potential to inform governance and management strategies. Findings highlight where GC research has occurred, areas of GC research interest, how applied content has manifested, and how existing research can inform and support governance action plans. Ultimately, this research proposes an adaptable knowledge mobilization framework for the LSRGBR that can be applied to a variety of place-based needs and contexts to mobilize science for broader sustainability objectives and enhance the potential for multi-actor collaboration and governance.
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 | 0,000 |
| 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 ».