The DFO Experience with Inclusive Advisory Processes
Notice bibliographique
Résumé
No abstracts are to be cited without prior reference to the author.In 1996 the Department of Fisheries and Oceans Canada re-instituted a national coordination office for ensuring peer review and provision of science advice on fisheries issues. When Canada’s Oceans Act and the Species-at-Risk Act were passed in the late 1990s, the mandate for coordination of peer review and provision of advice was extended to cover the science support for these pieces of legislation, and all other substantive peer review and advisory needs of the policy and management sectors of the Department. From the outset the Canadian Science Advisory Secretariat and the regional offices were instructed to ensure that “experiential knowledge” was brought into the body of information used in assessments and advice, which required fishermen to participate actively in the assessment process. When the federal government approved the Principles and Guidelines for Science Advice for Government Effectiveness, the standards for engagement were raised. To ensure inclusiveness of all types of information and knowledge, and transparency of review and advisory processes, the Principles and Guidelines required full participation in the entire process by individuals from groups whose lives would be directly affected by the scientific advice. CSAS and the regional offices have tried a number of different approaches to meeting these standards for inclusiveness and transparency. Some have failed badly, some have usually succeeded, and many have a patchy performance record. Over time we have developed guidance for “best practice” in making our review and advisory processes inclusive and transparent, without sacrificing scientific quality or independent. The presentation will review these “best practices” and lessons learned from the Canadian experience.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».