Decolonizing Digital Citizen Science: Applying the Bridge Framework for Climate Change Preparedness and Adaptation
Notice bibliographique
Résumé
Research has historically exploited Indigenous communities, particularly in the medical and health sciences, due to the dominance of discriminatory colonial systems. In many regions across Canada and worldwide, historical and continued injustices have worsened health among Indigenous Peoples. Global health crises such as climate change are most adversely impacting Indigenous communities, as their strong connection to the land means that even subtle changes in the environment can disproportionately affect local food and health systems. As we explore strategies for climate change preparedness and adaptation, Indigenous Peoples have a wealth of Traditional Knowledge to tackle specific climate and related health issues. If combined with digital citizen science, data collection by citizens within a community could provide relevant and timely information about specific jurisdictions. Digital devices such as smartphones, which have widespread ownership, can enable equitable participation in citizen science projects to obtain big data for mitigating and managing climate change impacts. Informed by a Two-Eyed Seeing approach, a decolonized lens to digital citizen science can advance climate change adaptation and preparedness efforts. This paper describes the ‘Bridge Framework’ for decolonizing digital citizen science using a case study with a subarctic Indigenous community in Saskatchewan, Canada.
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 | 0,018 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,040 |
| Communication savante | 0,012 | 0,013 |
| Science ouverte | 0,004 | 0,020 |
| Intégrité de la recherche | 0,005 | 0,006 |
| 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 ».