Needs and pathways for strengthening the contribution of qualitative methods toward more effective impact assessment practice
Notice bibliographique
Résumé
Many jurisdictions are looking to next-generation impact assessment (IA) that includes sustainability considerations that extend beyond biophysical. Subjectivity is inherent in many of these additional impact considerations, and they are often not easily nor effectively quantified. Delivering effective IA within this broadening scope requires new, innovative, and rigorous applications of qualitative methods that enable meaningful inclusion of diverse knowledges, values, and information. While many qualitative methods are available for IA, there remains a significant opportunity to strengthen their contribution toward more effective IA practice. As such, we establish in this paper needs that must be addressed if qualitative methods are to meaningfully contribute to IA and pathways for acting on these needs. Relating findings from a survey, semi-structured interviews, and a world café, the paper specifically identifies six key needs for enhancing the effective use of qualitative methods in IA, and five pathways for addressing these needs that involve all IA actors. We conclude that there are deeply entrenched assumptions about qualitative methods and that shifting these views will be challenging and take time. Together, the identified needs and pathways provide a framework for action to improve the effectiveness of IA and should be considered in IA training and practice.
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 | 0,641 | 0,602 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,013 | 0,035 |
| Communication savante | 0,028 | 0,038 |
| Science ouverte | 0,007 | 0,030 |
| Intégrité de la recherche | 0,010 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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; 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 ».