Fuzzy SETS: acknowledging multiple membership of elements within social-ecological-technological systems (SETS) theory
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
Convergent research to tackle complex, wicked problems requires synthesis across multiple sectors and disciplines, but epistemological, ontological, and linguistical disagreements between disciplinarily diverse research teams can hinder the progress of transdisciplinary team efforts. For example, in social-ecological-technological systems (SETS), elements within the system may require distinction between component (S-E-T) parts to be conceptualized and modeled. Current SETS literature has focused predominantly on the deep interconnections across these social, ecological, and technological elements, but has not addressed how to explicitly acknowledge potentially messy, multi-membership classifications of elements within these categories. We introduce the conceptual framework of Fuzzy SETS, drawing on mathematical fuzzy set theory and SETS literature. By treating these categories as “fuzzy,” or being capable of multiple memberships, we investigate how the conceptual framework of fuzzy SETS can facilitate convergent, collaborative research across multiple disciplines and epistemologies by explicitly acknowledging and visualizing differences and similarities in perception of a given SETS. We apply this framework to our own work of creating a system dynamics model of the Santa Fe Watershed, New Mexico. Within our network of researchers, diverse perspectives exist when categorizing elements within the Santa Fe Watershed into social, ecological, and technological categories. Our findings support the hypothesis that the fuzzy SETS conceptual framework is a way to honor a diversity of epistemological perspectives within transdisciplinary teams by explicitly accepting that different views can coexist and can actually enrich our understanding of systems by creating a basis for asking deeper questions regarding their elements and dynamics.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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