Synthetic ecosystems: an emerging opportunity for science and society?
Notice bibliographique
Résumé
For millenia, humans have modified aspects of natural ecosystems to meet their social, economic and ecological needs. With advancing technology and global movement of species, modification has shifted to designing and creating new ecologies in cityscapes, building interiors, agricultural settings and more. We call intentional ecosystems that combine biodiversity and technology with little to no shared history, synthetic ecosystems. Fields, from microbial ecology to agroecology, build synthetic ecosystems under different names but share the same properties of: Being human‐designed, assembled and controlled, having novel components and/or interactions, and creating systems distinctly different from what came before at a site. Creating synthetic ecosystems represents a design challenge, but also an opportunity for real‐world impact – which we illustrate with a biodiverse, indoor synthetic ecosystem for food production. Overall, synthetic ecosystems may advance socioecological goals in six ways. They can: 1) replace ecological deadzones with living systems (e.g. building green roofs), 2) enhance existing ecosystem processes (e.g. boosting agricultural yields), 3) create new ecosystem functions (e.g. bioelectricity), 4) establish new ecosystem controls (e.g. biological control), 5) foster knowledge synthesis (e.g. testing ecological theory) and 6) reshape human‐nature relationships (e.g. improve wellbeing). To realize these potentials, future work must more fully evaluate whereandwhen synthetic ecosystems are appropriate to build, whatarchitectures and aspects of diversity (biological and technological) make them most functional and how knowledge from across cultures and eras can be integrated in solutions.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».