Co-production and conservation physiology: outcomes, challenges and opportunities arising from reflections on diverse co-produced projects
Notice bibliographique
Résumé
As a relatively nascent discipline, conservation physiology has struggled to deliver science that is relevant to decision-makers or directly useful to practitioners. A growing body of literature has revealed that co-produced research is more likely to generate knowledge that is not only relevant, but that is also embraced and actionable. Co-production broadly involves conducting research collaboratively, inclusively, and in a respectful and engaged manner-spanning all stages from identifying research needs to study design, data collection, interpretation and application. This approach aims to create actionable science and deliver meaningful benefits to all partners involved. Knowledge can be co-produced with practitioners/managers working for regulators or stewardship bodies, Indigenous communities and governments, industry (e.g. fishers, foresters, farmers) and other relevant actors. Using diverse case studies spanning issues, taxa and regions from around the globe, we explore examples of co-produced research related to conservation physiology. In doing so, we highlight benefits and challenges while also identifying lessons for others considering such an approach. Although co-production cannot guarantee the ultimate success of a project, for applied research (such as what conservation physiology purports to deliver), embracing co-production is increasingly regarded as the single-most important approach for generating actionable science to inform conservation. In that sense, the conservation physiology community would be more impactful and relevant if it became commonplace to embrace co-production as demonstrated by the case studies presented here.
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 | 0,001 |
| 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) | 0,001 | 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 ».