Adaptive learning in natural resource management : three approaches to research
Notice bibliographique
Résumé
This paper explores different approaches to applied research in natural resource management that focus on adaptive learning as an element of the resource management challenge of continuous sustainable production. The research frameworks suggested by Adaptive Management (AM), social learning, and complex adaptive systems (resilience thinking) are considered. While AM typically emphasizes natural science and ecological systems, and social learning emphasizes human agency and interaction, resilience thinking addresses socialecological systems as complex entities that behave in dynamic and cyclical fashion. All three frameworks offer insights into practices that support learning, adaptation, and sustainability. Some of the experience in the Canadian province of British Columbia is given in example. The emerging framework of adaptive comanagement offers a promising approach to capturing relevant features of the other three. These four different conceptual approaches should not be seen as mutually exclusive alternatives but rather are characterized by overlapping features with different focal strengths. To date, experience with applying any of these frameworks in practice is limited and remains a big challenge. The conceptual frameworks considered here could underpin research into more effective adaptive learning in resource management. RPE Working Paper Series ii Paper 22: Stephen R. Tyler
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 | 0,036 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,010 | 0,012 |
| Études des sciences et des technologies | 0,005 | 0,082 |
| Communication savante | 0,026 | 0,026 |
| Science ouverte | 0,005 | 0,014 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».