Harnessing Community Science to Support Implementation and Success of Nature-Based Solutions
Notice bibliographique
Résumé
Community science (CS), a type of community-based participatory research, plays a crucial role in advancing wide-reaching environmental education and awareness by leveraging the collective power of volunteer participants who contribute to research efforts. The low barriers of entry and well-established methods of participatory monitoring have potential to enable community participant involvement in applications of nature-based solutions (NbS). However, a better understanding of the current state of community-based approaches within NbS could improve feasibility for researchers and practitioners to implement community-based approaches in NbS. Based on the current literature, we discern five community science approaches that support NbS: (1) Environmental monitoring to determine baseline conditions; (2) Involvement of participants in NbS development and planning through discussions and workshops (i.e., co-design of NbS); (3) Using existing CS databases to support NbS design and implementation; (4) Determining the impacts and measuring effectiveness of NbS; and (5) Participation in multifunctional activities. While there are various avenues of participation, we find that CS-driven environmental monitoring (i.e., actions that involve observing, measuring, and assessing environmental parameters and conditions over time) emerges as a cornerstone of planning, implementing, and maintaining the success of NbS. As the proliferation of NbS implementation continues, future work to integrate community-based monitoring studies in NbS applications has potential, albeit far from guaranteed, to improve place-based and local societal and ecological outcomes.
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 | 0,110 | 0,192 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,010 |
| Communication savante | 0,012 | 0,014 |
| Science ouverte | 0,006 | 0,026 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».