Convergence research as transdisciplinary knowledge coproduction within cases of effective collaborative governance of social-ecological systems
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
Successful collaborative governance (CG) of social-ecological systems (SES) involves multiple stakeholders convening iteratively over the long term to reach a commonly held vision. This often involves building knowledge for social learning processes induced to come to collective decisions about managing complex systems in flux. Because of the complexity of any SES in the Anthropocene, this coproduced knowledge is frequently transdisciplinary, using a convergence of applied and scientific knowledge from a variety of disciplines and stakeholders outside academia. We find evidence that these cases of effective SES CG involve both knowledge coproduction and convergence research. We evaluated seven case studies of CG across four continents using criteria (principles and methods) developed to facilitate and describe convergence research on SES and found them to be largely present. We also assess these CG cases using indicators of knowledge coproduction, and show that they all involved transdisciplinary knowledge coproduction, which can provide an informative lens for deepening our shared understanding of convergence and its application to complex adaptive systems. All the cases selected for this paper are examples of CG of SES in which research was conducted as part of a collaborative effort to improve the social-ecological conditions in a particular place, and several incorporate various forms of knowledge and ways of knowing. We suggest that these cases demonstrate both convergence research and knowledge coproduction because of the overlap and similarity of these concepts, providing a brief comparison and contrasting of these approaches to addressing sustainability problems collaboratively.
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 | 0,001 | 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 | 0,001 |
| 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 découle