Mapping the Ontology and Epistemology of Research Into Forest Carbon Offsetting in Developing Countries
Notice bibliographique
Résumé
ABSTRACT In this paper, we consider knowledge cumulation in one of the most polarized areas of environmental governance research: forest carbon offsetting in developing countries. Our specific contribution is a critical review of the ontological and epistemological positioning of 31 studies published in the peer‐reviewed literature on forest carbon offsetting in Uganda. At the surface, differences appear related to methodological gaps along the qualitative‐quantitative divide. However, probing deeper suggests a lack of agreement on fundamental ontological and epistemological issues, which challenges traditional understandings of scientific knowledge cumulation. Among our key findings is that research into forest carbon offsetting in Uganda is predominated by epistemologies we characterize as neopositivist (approximately half) and neo‐Marxist overdetermination (approximately one‐third). Structural ontologies were significantly more frequently identified in our critical review than agentic ontologies, while structure–agency balancing ontologies were the least represented. Notably, research most critical of forest carbon offsetting was characterized by an epistemology of neo‐Marxist overdetermination and structural/synchronic ontology. While recognizing the limits of our critical review into forest carbon offsetting in Uganda, knowledge cumulation appears to be frustrated by a lack of agreement on fundamental ontological and epistemological presuppositions. Nonetheless, given the polarized debate on forest carbon offsetting, delineating such fundamental differences may help lay the groundwork for promoting dialogue between different research traditions. But such epistemic fragmentation or diversity may not in itself constitute epistemic justice, which requires additional attention to broader power imbalances involved in the conduct of environmental governance research in developing countries.
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 | 0,075 | 0,111 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,028 | 0,019 |
| Études des sciences et des technologies | 0,006 | 0,030 |
| Communication savante | 0,020 | 0,019 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,004 |
| 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 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 ».