Scaffolding collective agency curriculum within food-systems education programs
Notice bibliographique
Résumé
Collective agency (CA) can be defined as the shared understanding, will, and ability of a heterogenous group to take action and work together toward a common goal. We are motivated by the premise that CA is central to meeting the challenges inherent to 21st century food systems. These challenges include maintaining sustainable agricultural production and meeting nutritional needs of a growing population while protecting the climate, wildlife, soil, air and water quality, and enhancing equity, inclusion and justice for those who work in or engage with these systems. Given the importance of CA in food systems, university programs focused on food systems must address it. To date, despite many calls for higher education to build skills in CA, implementation has been minimal. Single courses addressing CA exist in some program-level curricula, but we know of no previous efforts in food-systems degree programs to systematically cultivate CA across their curriculum through scaffolding, i.e., interconnection and integration of learning activities across courses, so as to enhance their complementarity and impact. We (a consortium of university faculty building food systems curricula, located at University of British Columbia, Montana State University, and University of Minnesota) developed our approach to teaching CA through an action-research process, conducted during 2019–2022. In this paper, we report on our process and outline an emergent conceptual model of a curriculum for CA that can be embedded within broader, program-level food systems curricula. We describe its elements and share our experiences in implementing these elements. We conclude by describing current efforts to further develop CA curricula in the context of food-systems degree programs.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».