Social Learning and Paulo Freire Concepts for Understanding Food Security Cases in Brazil
Notice bibliographique
Résumé
Food insecurity is a wicked, complex, and critical problem. Although evidence supporting a wide range of assertions regarding the outcomes of social learning is still being investigated, its potential to improve food security challenges is growing. Nonetheless, more work is needed to understand when and how social learning-oriented approaches are effective in food security situations. We address this gap by investigating how elements of social learning and Freire’s key concepts are exemplified in existing real-world experiences of food security in rural communities. The case studies in Brazil, Community Seed Banks in Paraíba State, in the northeast and Biodiversity Kit in Guaraciaba, Santa Catarina State, in the south, are examples of small farmers facing and overcoming their limit-situation of food insecurity through celebrating, planting, and saving traditional seeds (landraces). A mixed-methods approach was applied based on semi-structured interviews and a literature review. The key findings show that local initiatives based on the interconnections of social learning and Freire´s concepts have improved food security in two cases. The practice of landrace rescue as a food security strategy is strengthened through a culture of closeness and solidarity, through values that are celebrated in the festivities, community meetings, and other exchanges of experiences. Applications of our conceptual framework in operational interventions show clear potential for generating the necessary changes for a more sustainable world, specifically in food security and sovereignty projects, as described in the cases studies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».