Notice bibliographique
Résumé
Since March 2020, the COVID-19 pandemic propelled the “stay-at-home” policy worldwide under public health uncertainty, resulting in increased individualization, as well as an increased reliance or dependency on digital communication technology. Based on a review of existing literature alongside a reflection on personal fieldwork experiences, we aim to: (1) describe major elements of agroecological pedagogy, (2) explore adaptation pathways to combine digitalization and participatory action-learning, and (3) briefly discuss opportunities and challenges for agroecologists beyond COVID-19. Agroecological pedagogy is deeply embedded in the praxis , the scientific knowledge and ways of knowing (academic or not), and in the politics and agency of food movements . In line with Freire's liberation pedagogy, seeing what already exists (e.g., in: ecosystems, home-gardens, fields, farms, and watersheds) through participation and volunteering. Alongside a critical analysis to explain and explore certain phenomena, causes and consequences will likely result in the act leading to the implementation of transformative practices and novel designs that improve the state of any situation being addressed. Participatory action research/learning methods are strategic in agroecological pedagogy. Overall, the lockdown period led to increased societal digitalization of human interactions. During lockdown, however, the implementation of strategies for remote agroecology participatory action-learning were hampered, but not vanquished. Key changes to agroecology education projects “before” and “during” lockdown include an increased reliance on digital and remote strategies. Creative adaptations in the virtual classrooms were designed to nurture, deepen, and foster alternatives in favor of diverse knowledges and ways of knowing for food system transformations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».