Building trust through the Two-Eyed Seeing approach to joint fisheries research
Notice bibliographique
Résumé
The Saugeen Ojibway Nation (SON) and the Ontario Ministry of Natural Resources and Forestry (MNRF) collaboratively govern the commercial fishery within the SON's traditional territory situated in Lake Huron’s main basin and Georgian Bay of the North American Great Lakes. Prior to the application of a Two-Eyed Seeing approach (Etuaptmumk), the two groups often operated in separate silos and relied on external experts to aid communication, which contributed to a sense of mistrust regarding the legitimacy of science that was being used to inform management. A breakthrough occurred when MNRF and SON began using the Two-Eyed Seeing approach to collaborate and jointly conduct research on fish populations in Lake Huron. In this article, we share how we used Two-Eyed Seeing to jointly develop a research proposal that is guided by both SON’s ecological knowledge and Western science. Our research involves addressing the role that lake trout (namegos; Salvelinus namaycush) have played in declines in lake whitefish (dikameg; Coregonus clupeaformis) abundance in Lake Huron, a priority identified by SON members. We share the challenges and lessons learned while reflecting on the ethical knowledge co-production framework we developed. Our goal is to provide a useful example of how Two-Eyed Seeing can be applied to foster relationship-building between government agencies and First Nations in the pivotal early stages of co-developing a research project. The Two-Eyed Seeing approach is foundational to building more equitable partnerships between Indigenous and non-Indigenous communities and for supporting healthy Great Lakes ecosystems and fisheries.
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 | 0,160 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,021 | 0,056 |
| Communication savante | 0,021 | 0,020 |
| Science ouverte | 0,004 | 0,037 |
| Intégrité de la recherche | 0,007 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».