MétaCan
Menu
Retour à la cohorte
Enregistrement W4406418065 · doi:10.5751/es-15681-300110

Water-related problématiques: five archetypical contexts of water governance

2025· article· en· W4406418065 sur OpenAlexvenueno aff
Shahana Bilalova, Sergio Villamayor‐Tomás, Jens Newig

Notice bibliographique

RevueEcology and Society · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueWater Governance and Infrastructure
Établissements canadiensnon disponible
Organismes subventionnairesEuropean Commission
Mots-clésCorporate governancePolitical scienceEnvironmental resource managementEnvironmental scienceEconomicsManagement

Résumé

récupéré en direct d'OpenAlex

It is necessary to consider the contextual factors surrounding water governance systems to understand their performance. We conducted a review of 165 empirical studies and 223 cases from the water governance literature to investigate water-related contexts. Our analysis is based on an archetype analysis of three dimensions of water-related contexts across 160 cases: water resources, related water uses, and sustainability issues. Our results show that there are five distinct water-related problématiques: “groundwater exploitation in agriculture,” “land and water systems sustainability,” “surface water pollution,” “industrial and household water security,” and “hydropower vs. water ecology.” These problématiques often exhibit geographical patterns and regional associations. Noteworthy insights from the analysis of problématiques include the prominence of the groundwater exploitation in agriculture problématique, contrary to arguments that groundwater is understudied, and the limited coverage of hydropower governance compared to other problématiques. Overall, our results enhance the understanding of contextual factors in water governance and suggest potential avenues for developing middle-range theories and advancing water governance diagnostics.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,022
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,022
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0080,010
Études des sciences et des technologies0,0020,011
Communication savante0,0060,009
Science ouverte0,0010,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,250
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEcology and SocietyMême sujetWater Governance and InfrastructureTravaux en français237 207