Connecting wildfire risk reduction and land stewardship: social learning through adaptation pathways in Montseny, Catalonia (Spain)
Notice bibliographique
Résumé
Wildfire management is becoming an increasingly complex issue that requires collaboration of diverse sectors. In addition, it is important to empower local communities to contribute to the decision-making processes. Social learning (individuals changing their understanding of an issue and furthering relationships) is a key ingredient in transdisciplinary collaborations aiming at complex social-ecological systems change. However, few studies in wildfire management consider social learning outcomes. This paper addresses this gap through a transdisciplinary case study: we explore how an adaptation pathways process has supported social learning outcomes for reducing wildfire risk in the Montseny and Tordera River watershed in Catalonia, Spain. We assessed how an adaptation pathways approach facilitated social learning outcomes (systems thinking, shared understanding, relational aspects, and substantive outcomes), and how this can benefit wildfire risk reduction efforts. Our findings show that the adaptation pathways process encouraged complex systems thinking among participants while addressing power relations in the territory, and provided creative ways to consider feasible local actions beyond administrative changes. We also observed how increased informal networks among participants play a role in achieving deeper social cohesion and land stewardship goals beyond wildfire risk reduction. Additionally, our social learning outcomes form part of longer-term processes of boundary-spanning work by local entities. Finally, the adaptation pathways provided an opportunity for innovative local wildfire governance that can be replicated in other areas of the world seeking more polycentric and anticipatory approaches that embrace complexity and encourage cross-sector synergies.
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 | 0,003 | 0,002 |
| 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 | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».