Toward a participatory VGI methodology: crowdsourcing information on regional food assets
Notice bibliographique
Résumé
Local knowledge has been underrepresented in food-related policies and planning. The goal of this research was to engage members of a local food community and generate volunteered geographic information (VGI) on community food assets. During active data collection, over 200 food assets were reported. This paper details the systematic approach used to create VGI, which emphasizes the socio-cultural context surrounding the mapping technology. The project began with an identified need to connect to and learn from the local food community. The participants were drawn from active food system stakeholders, and a Geoweb infrastructure was selected based on publicly available crowdsourcing tools. The resulting VGI is presented according to system functions: input (Web traffic, contributors, input types), management (contribution vetting, privacy), analysis (typology of input), and presentation (sharing the submitted data). Despite limitations, this study revealed a hyper-local and community-driven perspective on food assets, opened access to government and private data, and increased the transparency and accessibility of information on the regional food system. This research also revealed that there is a growing need for intermediaries who can bridge the gap between experts in the subject matter and experts in digitally enabled participation, and a need for non-government open data repositories.
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 | 0,064 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,008 | 0,007 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,004 | 0,017 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».