Framing Good Food: Communicating Value of Community Food Initiatives in the Midst of a Food Crisis
Notice bibliographique
Résumé
Community-embedded food initiatives exist in market economies, but make more-than-market contributions. They challenge the dominant, industrialized food system, while generating non-monetary benefits in their communities. Yet food policy, regulation, and public spending in much of the world is still framed by the values of market economy. Revenue, yield, and technological advancements remain key formal measurements of the wellbeing of food systems. Community-embedded food initiatives like small local businesses and non-profit organizations, are often committed to advancing social and environmental benefits of non-industrialized food, and they call for clearer recognition of their more-than-market contribution to community wellbeing. The Nourishing Communities network has worked with such initiatives for more than a decade, undertaking community-engaged research with practitioners across sectors. The network has found that these initiatives are impeded by a communication conundrum. On the one hand, they are expected (by funders, governments, and other institutions) to demonstrate their value using market-economy measurements and translating what they do into “social returns on investment.” On the other hand, many of those initiatives need non-market terminology to express the values that they espouse and generate. To balance these needs, Gibson-Graham’s framing of “diverse economies” can potentially offer a pathway to better communication and thus more accurate valuing of the work of such initiatives. Their notion of diverse economies offers endless opportunities to frame community food work as valuable in ways that go beyond market-economy measurements. As such, the diverse economies framing offers new possibilities for alternative food, and for more general discussions of social reform.
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 | 0,028 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,018 | 0,026 |
| Communication savante | 0,015 | 0,022 |
| Science ouverte | 0,002 | 0,024 |
| Intégrité de la recherche | 0,010 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».