Harvest-based Monitoring in the Inuvialuit Settlement Region: Steps for Success
Notice bibliographique
Résumé
We define harvest-based monitoring as the long-term collection of data or samples from a subsistence harvest in order to reveal, document, and track changes in biophysical resources. Our objective is to describe five practical steps that have guided us over the past two decades during delivery of harvest-based monitoring studies in the Inuvialuit Settlement Region (ISR). Studies have usually been designed to detect (but not necessarily explain) change, to involve local harvesters, and to incorporate indigenous and science-based knowledge. The five steps are to (1) formulate a scientific research or long-term monitoring question that can reasonably be answered by analyzing data from harvests or harvested specimens, (2) design the program according to scientific and indigenous protocols, (3) determine respective partner roles for delivery of the field program, (4) conduct the field work, and (5) analyze data and communicate results. At all steps, it is important to ensure that science and indigenous knowledge partners respect and trust each other’s skills, knowledge, and abilities; that regular communication is fostered; and that provisions are in place to monitor progress. The credible blending of indigenous and scientific views and skills improves the likelihood of ultimately understanding the resource, its habitats, and its inherent ecological relationships.Key words: harvest-based monitoring, Inuvialuit Settlement Region, collaborative research, participatory research
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».