Building communities of learning: Indigenous ways of knowing in contemporary natural resources and environmental management
Notice bibliographique
Résumé
In this paper, we explore the emergence of what we term ‘communities of learning’ within the context of natural resources and environmental management (NREM). These communi-ties reflect new forms of interaction and cooperation between NREM decision makers that bring together the unique contributions of indigenous ways of knowing alongside academic and scientific approaches. Here, ‘indigenous ways of knowing’ refer to how indigenous and local peoples cultivate knowledge in the context of NREM (Berkes 2009 this issue). This is a ‘place-based’ process that embodies knowledge of species, livelihood practices and cultural beliefs, values and norms. In NREM, as in other fields, indigenous cultures have often been viewed through a binary lens, either as an impediment to socioeconomic progress, or as static packages of knowledge, belief and practice that must therefore be preserved from homogenising pressures, such as globalisation (Marglin 1990; Arce & Long 2000; Sen 2004). Rarely have indigenous ways of knowing been recognised as adaptive, dynamic assets for building diverse development trajectories that reflect local needs and aspirations. Where this has occurred, however, the shift in thinking has enabled researchers to explore knowledge as an adaptive cultural ele-ment, as well as encourage a much more practical engagement between indigenous groups, researchers and policy makers/managers. In doing so, it allows for place-based alternatives for both research and management policies in contemporary cross-cultural settings (Sillitoe 2006; Davidson-Hunt & O’Flaherty 2007). In this instance, indigenous groups are our focus. However, communities of learning may organise around other resource-dependent groups for the construction of ‘place-based’ knowledge. In a management context, the ability of different actors to meaningfully contribute to creat-ing solutions shifts in relation to the authority they are able to claim against competing world views and fields of action. ‘Communities of learning’ result from the recognition that each community possesses unique knowledge and resources that can contribute to management decisions. Figure 1 illustrates the potential convergence of these dominant players to form communities of learning.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,019 |
| Communication savante | 0,012 | 0,021 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,038 | 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 ».