Knowledge Mobilization in Community-based Arctic Research
Notice bibliographique
Résumé
Knowledge mobilization (KMb) is widely recognized as being essential to research, but there is limited academic guidance on how to do this well. This paper builds on the growing body of literature to develop a framework of key principles for KMb focused on Indigenous communities in the North American Arctic. We used a literature search and coding of identified good practice from both the grey and peer-reviewed literature (n = 80), alongside semi-structured interviews (n = 24) with key stakeholders to determine a framework of key principles and to contextualize and identify gaps or challenges. We found that effective KMb occurs throughout the research process and varies widely across regions and by researcher and community. Ultimately, there is no checklist of specific actions to ensure effective KMb, nor would such a list be desirable given the need to tailor KMb to specific contexts. However, we have identified three key principles of effective KMb: 1) respect, 2) mutual understanding, and 3) researcher responsibility. Underlying these principles is the consideration of trust and relationship building. Though these notions are based on subtle and nuanced context and vary from place to place, they all involve the consideration of formal and informal processes of KMb with Arctic research. By highlighting these key principles, we provide a framework to increase effectiveness of KMb across environmental change research within Arctic communities.
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 | 0,123 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,029 | 0,032 |
| Communication savante | 0,017 | 0,010 |
| Science ouverte | 0,003 | 0,025 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».