Balancing water needs and well-being: bringing social-cultural values into environmental flows using a DPSIR framework
Notice bibliographique
Résumé
Bringing social and cultural dimensions into environmental flows (eflows) is critical for sustainable river management, yet structured methods for this process are lacking. We tested the efficacy of a Driver-Pressure-State-Impact-Response (DPSIR) framework, quantified with Fuzzy Cognitive Mapping (FCM), to bridge ecological processes and social-cultural-spiritual values for the regulated Wolastoq | Saint John River | fleuve Saint-Jean, a large transboundary watershed in Maritime Canada. We integrated data from expert-led workshops, which produced 69 refined flow-ecology hypotheses, and a public survey on social-cultural-spiritual connections to the river. The resulting semi-quantitative model revealed a complex network of 39 social-ecological nodes with 941 positive and negative connections and provided a visual map of these connections. Network analysis identified flow variability (an environmental stressor) and peace + tranquility (a social-cultural-spiritual state) as the most significant nodes within the map, acting as critical bridges between the environmental and human domains. The framework explicitly linked physical processes and flow management actions, like hydropeaking, to tangible impacts on ecosystem health (e.g., water quality and biodiversity), recreational access, and community well-being, while also highlighting a potential feedback loop where a sense of peace also promotes environmental stewardship. Our findings demonstrate that the DPSIR-FCM approach is a powerful tool for creating a holistic, transparent, and socially defensible foundation for eflows management. It translates complex social-ecological interactions into an actionable decision-support tool that prioritizes management decisions that promote inclusive, evidence-based water governance.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».