Taking Stock: The Current State of Urban Forestry Education at International Institutions of Higher Education
Notice bibliographique
Résumé
Abstract Background Urban forestry has evolved over the past 50 years, growing into a distinct profession with expanding global initiatives and increasing funding. This paper examines the state of urban forestry education, analyzing current programs, competencies, and educational approaches. Methods We conducted a Delphi survey with urban forestry educators. The survey, distributed to educators in multiple countries, gathered data on teaching contexts and competencies. We then collected, described, and analyzed case studies from a diverse range of programs. Results Survey responses from 34 educators reveal diverse teaching backgrounds and subjects taught. The results show diverse competencies in areas such as urban forest management, environmental science, and community engagement. We also present 6 case studies showcasing innovative educational approaches, reflecting the field’s potential for future development. The case studies highlight varied educational models, from massive open online courses (MOOC) to specialized degrees, showcasing different approaches to curriculum and delivery. Key findings include a wide range of teaching topics and competencies, reflecting both the interdisciplinary nature of urban forestry and emerging educational trends. Conclusions This study examines the evolving landscape of urban forestry education. The discipline’s diversity is evident in the broad range of topics covered, from arboriculture to urban planning to human health. Urban forestry emerges as a nimble, transdisciplinary discipline with deep roots in forestry. We highlight the need for a cohesive, well-defined curriculum to advance the profession and educational standards.
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 | 0,000 | 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 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 ».