Measuring Rural Well-being toFoster Collaboration: A Meta-analysis of Sustainability Indicator-basedMonitoring Initiativesin Rural and Resource-based Regions
Notice bibliographique
Résumé
The proposed presentation will discuss the potential for sustainability indicators to support more participatory governance in rural and resource-based regions. Sustainability indicators (SIs) are a widely-used tool for communities and regions to identify locally-defined measures of well-being and monitor their progress over time. However, their use in rural communities is limited, with most SI frameworks originating from urban areas or international tools. One positive outcome of many SI initiatives, including those in rural and resource-based regions, is the initiation of dialogue among diverse stakeholders in communities where indicators are developed, often leading to improved relationships, trust, and social learning. In this way, SIs have much in common with the concept of collaborative governance, an approach to shared decision-making that is well suited for supporting regional-scale rural development based on collaboration between different communities, sectors, and levels of government. The primary focus of the presentation will be on discussing the results of a meta-analysis that examines SI initiatives in rural communities and regions of North America. This meta-analysis includes existing examples of local monitoring initiatives that have used indicators of sustainability in rural and resource-based regions. The presentation will discuss the analytical framework that was developed to examine these initiatives, which draws from literature on governance, social learning, and sustainability monitoring. Preliminary findings of the meta-analysis will also be shared, with an emphasis on initiatives that were effectively integrated into local governance processes.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».