Uncovering hidden urban bounty: A case study of Hidden Harvest
Notice bibliographique
Résumé
Urban food systems primarily rely on foods grown in rural spaces, and often face challenges in creating spaces to grow fresh, healthful and affordable food in cities. Urban food harvest organizations aim to overcome these challenges by locating and harvesting food that already exists in cities on the numerous fruit- and nut-bearing trees located on public and private lands. Hidden Harvest is a leading initiative for urban fruit and nut harvesting in Canada, and unique in its for-profit social enterprise model. The organization aims to legitimize and support the practice of harvesting fruits and nuts in urban areas, and provides a means to increase access to—and availability of—fresh, healthful foods hyper-locally in Ottawa, as people harvest from their own (or nearby) neighborhoods. This field report examines the challenges and opportunities faced by Hidden Harvest in attempting to link multiple social, environmental and economic goals relating to food sovereignty, social justice and ecological sustainability. In particular, the organization seeks to establish a self-sustaining business model through innovative solutions and the development of networks with local food processes, food organizations and businesses, which enables Hidden Harvest to grow and develop distinct ties and relationships in Ottawa. This case study reveals how organizations such as Hidden Harvest use food to enhance and tie together local economies, knowledge, food security and community well-being.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,024 | 0,011 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».