How Bridging Approaches Further Relationships, Governance, and Ecosystem Services Research and Practice
Notice bibliographique
Résumé
Understanding environmental governance empowers researchers and practitioners alike to work towards solutions that improve both environmental and human well-being outcomes. Collaborative, iterative approaches to governance use bridging approaches such as translational ecology, boundary work, and ecosystem services. The US Environmental Protection Agency's Office of Research and Development worked with a variety of collaborators to implement six multi-year coordinated case study research projects. The research projects were designed to support agency collaborators spanning different geographies, ecosystems, and environmental management decision contexts, and to demonstrate that different tools, approaches, and ecosystem service foci can enhance coastal and other water resource sustainability. To better understand the iterative and collaborative nature of the cases and collaborations, researchers conducted an analysis of the comparative case studies based on Williams' (2018) and Ostrom's (1994, 2009) frameworks. The team identified (1) who participated in the processes; (2) what the programs and goals were; (3) where programs worked and their resources; and (4) the resulting outcomes. We demonstrate that stakeholder participation and outcomes look different within different projects, and we conclude that relationships, focus on place, and common goals produce the most impactful results.
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 | 0,063 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,012 | 0,072 |
| Communication savante | 0,028 | 0,047 |
| Science ouverte | 0,004 | 0,029 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».