Where’s the data? Challenges in characterizing the sustainability of socioecological systems
Notice bibliographique
Résumé
Abstract In an era of great need regarding nexus-type research and assessments, this study investigates the challenges of missing data encountered by ten ( N = 10) societal metabolism scholars who use MuSIASEM (Multi-Scale Integrated Analysis of Societal and Ecosystem Metabolism)—a rigorous nexus-type research method. We explore how these scholars tried to overcome data challenges, their reflections on data availability, and how governments and other institutions might benefit if they had the missing data the scholars sought. Additionally, the study delves into the scholars’ interpretations of why the data is missing in the first place. Using a grounded approach, this qualitative study examines interview texts and reveals a range of issues that scholars faced, including an excess of aggregated data—a lack of disaggregated data—problems with data categorization, and other issues. On the whole, respondents’ reflections align with the foundational arguments of MuSIASEM’s developers, suggesting that more comprehensive, granular, and therefore effective approaches are needed to address socioecological challenges, sustainability issues, and net-zero goals. Respondents also noted that much of the missing data could be attributed to a dominance of economic logics and conceptual frames that often obfuscate the material and biophysical foundations of those economic systems themselves. This study advocates for revisiting and enhancing those conceptual frameworks that shape “what data is collected” and how it is made available in order to enhance analyses and broaden collective deliberations toward more informed sustainability and related policy decisions.
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 | 0,013 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,009 |
| Science ouverte | 0,010 | 0,010 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes 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 ».