Reflecting on Local Ecological Stewardship, Care, and Action across Two Decades of Research
Notice bibliographique
Résumé
In this perspective, we draw from 20 years of implementing the Stewardship Mapping and Assessment Project (STEW-MAP) to show how civic actors provide capacity and local knowledge needed for effective decision-making and implementation in the face of multiple interconnected stressors, including climate change and inequality. Urban areas are striving to achieve sustainability and resilience goals while advancing diversity, equity, inclusion, and justice. There is broad recognition that systematic change cannot be achieved via single sector solutions. Rather, just and equitable sustainability and resilience outcomes will be achieved through multi-sector, trans-disciplinary efforts led by diverse and inclusive partnerships. Processes of collaboration between groups and across sectors can foster trust and social cohesion to build adaptive environmental governance capacity. Hindering these outcomes is a lack of approaches for identifying civic groups and their networks, understanding their roles in the larger governance system, and harnessing their capacities systematically and at landscape scales. STEW-MAP was developed to address this gap in a natural resources management context and has been applied in 20 locations across the Americas. Synthesizing key insights for practitioners and researchers, we identify the critical role of civic organizations in collaborative, networked governance, while highlighting inequities that affect this stewardship work. We reflect on how stewardship mapping has been used as a decision-support, networking, and visualization tool and identify future research and practitioner directions that fully acknowledge the persistent role of civic groups in caring for the environment and enlivening democratic practice.
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 | 0,001 | 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 | 0,001 |
| 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 ».