Engaging Northern Indigenous Communities in Biophysical Research: Pitfalls and Successful Approaches
Notice bibliographique
Résumé
Guidelines and best practices to engage Indigenous people in Arctic regions in biophysical research have emerged since the 1990s. Despite these guidelines, mainstream scientists still struggle to create effective working relationships with Indigenous people and engage them in their research. We encountered this issue when we visited three communities on Alaska’s west coast to study impactful weather events and the formation of “slush ice berms,” which can protect towns from storm surges. As we worked to build relationships with residents of the towns, we found the existing guidelines are often helpful for telling us what to do—for example, they emphasize the importance of face-to-face communication—but researchers also need to think about how to do it (skills) and how to be (personal attributes). To demonstrate to Indigenous people that we value and respect their culture, researchers could learn to use language that is understandable and that reflects a collaborative rather than a top-down approach. We should be ready to adjust our schedules and to help the community we are visiting, rather than simply focusing on our own needs. We might look for benefits for the community and ensure residents understand and are satisfied with the research we are doing. Some of the necessary attributes we identified are curiosity, honesty, interpersonal awareness, empathy, flexibility, and openness. Although the skills and attributes presented here are useful to bridge the gap between cultures, we caution that there is no specific formula that can guarantee success.
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 | 0,310 | 0,259 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,032 | 0,054 |
| Communication savante | 0,019 | 0,021 |
| Science ouverte | 0,012 | 0,034 |
| Intégrité de la recherche | 0,013 | 0,027 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».