Governing University Living Labs for Sustainable Development: Lessons from International Case Studies
Notice bibliographique
Résumé
Funded by the Monash-ENGIE Alliance, this report outlines key recommendations and drivers to help University Living Labs stimulate innovation towards collective action on global challenges like climate change. University Living Labs are an important vehicle for real world experimentation and learning because they bring together community, government, business, NGOs, and researchers on and off campus to work towards common goals for sustainable development and other societal challenges like sustainability, which are beyond any one group to tackle alone. Living labs involve university-industry partnerships, experiential learning for students, use of the campus as a testbed, and knowledge translation and commercialisation for social impact. This study identified shared challenges and critical success factors for enabling these initiatives by speaking with academics and practitioners involved in 18 University Living Labs across Australia, Brazil, Canada, France, Germany, The Netherlands, Singapore, the UK, and the US. This report is the first international comparative study of University Living Labs focused on how these initiatives can be organised and embedded in universities. The study highlights that while University Living Labs take a variety of forms, they often face common challenges associated with insufficient governing structures, ad hoc funding, siloed institutional cultures, and a lack of shared understanding. The report makes practical recommendations for overcoming these challenges through flexible coordination, investment, facilitation, and communication. The report was co-authored by Dr Paris Hadfield, Dr Darren Sharp, Sam Rye, and Prof Rob Raven from Monash Sustainable Development Institute and Dr Mures Zarea, Dr Jonas Pigeon, and Dr Xiaoyang Peng from ENGIE.
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 | 0,006 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,010 | 0,008 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; 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 ».