Digital technologies in local agri-food systems: Opportunities for a more interoperable digital farmgate sector
Notice bibliographique
Résumé
Agriculture e-commerce technologies are transforming how small and medium-scale farmers distribute food, consumers access local food, and market vendors negotiate sales. However, most of the social scientific literature exploring digital agriculture concentrates on big data analytics in the context of commodity farming systems and conventional supply chains. In this paper we review the social scientific literature on agriculture e-commerce technologies and situate this literature within broader debates over digital agriculture and its uneven social and economic dynamics. We find that most social scientific literature does not include agriculture e-commerce in its definition of digital agriculture, instead defining it predominantly in terms of production (e.g., variable-rate technology) or verification (e.g., blockchain) technologies. We contextualize this review with results from a series of focus groups exploring the challenges faced by Ontario's “digital farmgate sector”—the suite of agriculture e-commerce platforms that organize local food sales for hubs, farmers' markets, and small- and medium-scale farmers—related to lack of platform interoperability. We find that local food systems actors are increasingly adopting e-commerce platforms, particularly in the context of the pandemic, and observing substantial business-related benefits to their adoption. Yet, there are common frustrations with digital tools due to market fragmentation and lack of platform interoperability. We recommend the collaborative development of an open standard for e-commerce platforms that allows for the cross-platform sale of local food and farming products.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».