Understanding the role qualitative methods can play in next generation impact assessment
Notice bibliographique
Résumé
Since its inception, impact assessment (IA) has been perceived by many to be a largely technical, quantitative exercise. However, as jurisdictions shift towards a more sustainability-oriented IA that accounts for a wider range of social, cultural, economic, health and well-being, and equity implications of proposed projects and strategic initiatives, values and subjectivity come more to the fore. Making predictions now needs innovative, and rigorous applications of qualitative methods that enable meaningful inclusion of diverse knowledges, values, and information sources, whilst at the same time giving confidence to decision makers and other stakeholders about the evidence base. Adopting such qualitative methods in practice is hindered by a lack of clarity of the role of qualitative methods in the delivery of sustainability-oriented IA. Guided by findings from a thematic analysis of primary data gathered through an international survey supplemented by semi-structured interviews and a workshop, the novel contribution of this paper is to clarify how and why qualitative methods can best contribute to the effective delivery of next generation IA. • Sustainability-oriented IA incorporates values and subjectivity. • Qualitative methods are needed to embrace subjectivity. • Lack of understanding of role of qualitative methods threatens application. • Five essential roles of qualitative methods in IA were identified.
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 | 0,414 | 0,352 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,008 | 0,026 |
| Communication savante | 0,021 | 0,029 |
| Science ouverte | 0,005 | 0,012 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».