Clarifying, Creating, Capturing, and Catalyzing: An Exploration of Social Learning in the Evaluation of Community-scale Contributions to Sustainability Transitions
Notice bibliographique
Résumé
Climate change, social inequality, ecological degradation, and political volatility are just some of the complex and interconnected challenges that underscore the need to accelerate sustainability transitions; long term, systems changes in the direction of sustainability. In an increasingly urbanized world, understanding how these challenges affect cities, and are addressed by urban actors, such as those representing municipal governments and civil society, is more important than ever. Of interest here is how social learning may shape the contributions of such efforts, particularly in spurring collective action at multiple scales. Yet the conceptual ambiguity surrounding social learning, for instance whether it is a process or outcome, and what roles agency and structure play in shaping learning pathways and outcomes, presents a barrier to understanding and leveraging it in the context of community-scale interventions. These gaps warrant the theoretical, methodological, and empirical work undertaken in this dissertation. Specifically, this dissertation clarifies social learning by applying a social practice lens, operationalizes it through a “multi-pronged, light-touch, utilization-focused” evaluation approach suitable to small scale interventions in the Greater Toronto and Hamilton Area (GTHA), Canada, and finally addresses the role of social learning in the contributions grassroots interventions make in advancing sustainability transitions.
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 | 0,099 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,029 |
| Communication savante | 0,014 | 0,008 |
| Science ouverte | 0,002 | 0,014 |
| Intégrité de la recherche | 0,002 | 0,004 |
| 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 ».