Expanding the boundaries of climate resilient futures: Participatory cross-impact balances in the Red River Basin
Notice bibliographique
Résumé
The long-term resilience of river basins around the world – conceptualized as coupled social-ecological systems – is influenced by uncertain drivers of change, including climate change. As actors attempt to make river basins more “resilient”, questions remain about what aspects of these systems are being made more resilient, which conditions they are becoming resilient to, and who the resilience is for. Addressing such questions require more exploratory and reflexive means for anticipating and imagining the future than are currently mainstream in the water sector. In this scenario modelling study, I partnered with the Red River Basin Commission and the International Institute for Sustainable Development to develop a participatory cross-impact balances (CIB) model that characterizes how critical social and ecological uncertainties in the Red River Basin (RRB) influence efforts to build resilience to climate change, and vice versa (to 2050). The RRB is a transboundary basin shared by Minnesota, North Dakota, South Dakota (United States), and Manitoba (Canada). Qualitative analysis of 45 virtual interviews conducted over two rounds with interviewees representing perspectives from diverse geographies (US and Canada), levels of governance (transboundary, federal, state/provincial, municipal, watershed, and Indigenous) and areas of expertise (agriculture, climate, ecology, governance, water management, Indigenous knowledge and governance) generated 15 interacting critical uncertainties, each with multiple possible end-states. These uncertainties ranged from climate change and water quality to Indigenous water rights and agricultural markets. Interactions between uncertainties were discussed with interviewees and influence judgments were coded by the analyst. A sensitivity analysis of the influence judgments in the model to both scientific uncertainty and ambiguity (i.e., multiple frames) revealed divergent assumptions about the system and what constitutes desirable resilient future. Analysis of these results revealed dozens of internally consistent scenarios and 8 scenarios that were robust to divergent model assumptions. After briefly presenting the study results, I will share reflections on the non-standard methodological aspects of my scenario analysis. Namely, I will discuss 1) the opportunities and constraints associated with participatory aspects of the study and 2) the utility of a rigorous sensitivity analysis that helped build legitimacy with study partners and generated useful results in a scenario context rife with uncertainty and ambiguity.
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 | 0,032 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,016 |
| Communication savante | 0,007 | 0,012 |
| Science ouverte | 0,003 | 0,018 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».