Automated pastures and the digital divide: How agricultural technologies are shaping labour and rural communities
Notice bibliographique
Résumé
A “digital revolution” in agriculture is underway. Advanced technologies like sensors, artificial intelligence, and robotics are increasingly being promoted as a means to increase food production efficiency while minimizing resource use. In the process, agricultural digitalization raises critical social questions about the implications for diverse agricultural labourers and rural spaces as digitalization evolves. In this paper, we use literature and field data to outline some key trends being observed at the nexus of agricultural production, technology, and labour in North America, with a particular focus on the Canadian context. Using the data, we highlight three key tensions observed: rising land costs and automation; the development of a high-skill/low-skilled bifurcated labour market; and issues around the control of digital data. With these tensions in mind, we use a social justice lens to consider the potential implications of digital agricultural technologies for farm labour and rural communities, which directs our attention to racial exploitation in agricultural labour specifically. In exploring these tensions, we argue that policy and research must further examine how to shift the trajectory of digitalization in ways that support food production as well as marginalized agricultural labourers, while pointing to key areas for future research—which is lacking to date. We emphasize that the current enthusiasm for digital agriculture should not blind us to the specific ways that new technologies intensify exploitation and deepen both labour and spatial marginalization.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,019 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».