St. George Rainway: Integrating Environmental Education into Public Engagement
Notice bibliographique
Résumé
Green infrastructure (GI) is an emerging approach to rainwater management. As a result, few members of the public understand the functionality and designfunctionality, design parameters and co-benefits of these systems. This presentation addresses a key challenge to meaningful engagement of GI: how to integrate environmental education into public engagement and provide members of the pubic the tools required to provide informed feedback. In 2019, the City of Vancouver adopted the Rain City Strategy, a 30 year plan to change how we manage rainwater using green infrastructure. Through the City’s GI engagement work, the GI project team seeks to educate to the public on GI design opportunities (and limitations) to actively participate in the design process and create buy-in for its projects. Educational goals include: • Communicate that GI is more than just an ‘urban garden’ and provides essential utility service outcomes • Address lack of knowledge around urban stormwater pollution and green infrastructure solutions • Balance the desire for use of native plants or non-native with the need of plants that are suited to GI • Address concerns and misconceptions about water ponding water ponding, and water levels and maintenance in GI systems. • Balance the desire for use of native plants or non-native with the need of plants that are suited to GI • Manage expectations regarding ecological restoration and habitat creation. Using the City’s St. George Rainway project as a case study, we will illustrate how to integrate environmental education into public engagement. The St. George Rainway project included a multi-phased engagement, which leverages a breadth of education and engagement tools, including: • Virtual reality site tour • School engagement • Partnerships with local universities • Advisory committee • Educational materials, info sheets, factsheets, videos • Citizen science • Marketing based approach to engagement
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,004 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,014 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 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; 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 ».