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 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 | 0,008 | 0,001 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».