Un‐yielding: Evidence for the agriculture transformation we need
Notice bibliographique
Résumé
There has been a seismic shift in the center of gravity of scientific writing and thinking about agriculture over the past decades, from a prevailing focus on maximizing yields toward a goal of balancing trade-offs and ensuring the delivery of multiple ecosystem services. Maximizing crop yields often results in a system where most benefits accrue to very few (in the form of profits), alongside irreparable environmental harm to agricultural ecosystems, landscapes, and people. Here, we present evidence that an un-yielding, which we define as de-emphasizing the importance of yields alone, is necessary to achieve the goal of a more Food secure, Agrobiodiverse, Regenerative, Equitable and just (FARE) agriculture. Focusing on yields places the emphasis on one particular outcome of agriculture, which is only an intermediate means to the true endpoint of human well-being. Using yields as a placeholder for this outcome ignores the many other benefits of agriculture that people also care about, like health, livelihoods, and a sense of place. Shifting the emphasis to these multiple benefits rather than merely yields, and to their equitable delivery to all people, we find clear scientific evidence of win-wins for people and nature through four strategies that foster FARE agriculture: reduced disturbance, systems reintegration, diversity, and justice (in the form of securing rights to land and other resources). Through a broad review of the current state of agriculture, desired futures, and the possible pathways to reach them, we argue that while trade-offs between some ecosystem services in agriculture are unavoidable, the same need not be true of the end benefits we desire from them.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 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 ».