Landscape Ethnoecology of Forest Food Harvesting in the Talamanca Bribri Indigenous Territory, Costa Rica
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There is a vast literature on Bribri people's food harvesting, but this literature has largely overlooked how Bribri people interpret their food harvesting practices. Using a landscape ethnoecology approach, we worked with Bribri colleagues to describe forest food harvesting in one community (Bajo Coen) within the Talamanca Bribri Indigenous Territory in Costa Rica. Sylvester spent nine months living and harvesting food with Bribri people, and carried out semi-structured interviews and focus group discussions to gather information. Our study revealed that harvesting food requires interacting with non-human beings to ensure harvesting is respectful of other Bribri worlds and Sibö's (the Creator) teachings. We also illustrate how harvesting and cultivating food in the forest is important to keep the land alive. Our study further revealed how farm and forest land patches are linked through Bribri harvesting. People plant cultivated species in forests and transplant wild species into farms. These practices are important to access food, to encourage animals in spaces near dwellings, and to keep the land alive. Lastly, we illustrate spatial and temporal links among the following activities: 1) polyculture and wild harvesting (of both plants and animals), 2) shifting agriculture and harvesting wild edible greens, and 3) hunting and harvesting wild greens. Our results are relevant to forest management because we provide information about Bribri harvesting practices that forest managers have committed to supporting but have reported lacking the information to do so.
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.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle