Water’s for Fightin’: Lessons on Water Management Learned through Serious Gaming
Notice bibliographique
Résumé
Canada is a water-rich country compared to other parts of the world, but its water resources are affected by climate change. One of the driest regions, the Palliser Triangle portion of the Canadian Prairies, is prone to drought, a problem further exacerbated by increasing demand for water over time due to growing populations and industries in the Saskatchewan–Nelson River basin. A serious game (SG) is developed that considers the complex water management challenges faced by the region, the first-in-time-first-in-right (FITFIR) system in Canada (similar to prior appropriation in the United States), and the benefits of water-sharing agreements in the Saskatchewan River basin. Results from the open-source SG are based on seven iterations played between 2014 and 2024 in undergraduate classes at two Canadian universities, facilitated by the same instructor. Feedback overwhelmingly supports the continued use of SG for water management learning and demonstrates the effectiveness of SG as a tool to support engagement around water management principles, resulting in participants feeling better equipped to consider the socioeconomic consequences of water scarcity in management decisions. The game highlights the challenges and benefits of implementing transboundary water share agreements and the limitations of FITFIR licensure in a drought-prone region. While initial implementation of the SG was in a classroom setting at universities in Canada, broader implementation and use by the water resources community presents the opportunity for citizen and stakeholder engagement around water management decisions and emerging supply–demand challenges.
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 | 0,001 | 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 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 ».