Diets, Diseases, and Discourse: Lessons from COVID-19 for Trade in Wildlife, Public Health, and Food Systems Reform
Notice bibliographique
Résumé
The COVID-19 pandemic has brought to light significant failures and fragilities in our food, health, and market systems. Concomitantly, it has emphasized the urgent need for a critical re-evaluation of many of the policies and practices that have created the conditions in which viral pathogens can spread. However, there are many factors that are complicating this process; among others, the uncertain, rapidly evolving, and often poorly reported science surrounding the virus’ origins has contributed to a politically charged and often rancorous public debate, which is concerning insofar as the proliferation of divisive discourse may hinder efforts to address complex and collective concerns in a mutually cooperative manner. In developing ethical and effective responses to the disproportionate risks associated with certain food production and consumption practices, we argue that the focus should be on mitigating such risks wherever they arise, instead of seeking to ascribe blame to specific countries or cultures. To this end, this article is an effort to inject some nuance into contemporary conversations about COVID-19 and its broader implications, particularly when it comes to trade in wildlife, public health, and food systems reform. If COVID-19 is to represent a turning point towards building a more equitable, sustainable, and resilient world for both humans and nonhuman animals alike, the kind of fractioning that is currently being exacerbated by the use of loaded terms such as “wet market” must be eschewed in favour of a greater recognition of our fundamental interconnectedness.
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 | 0,028 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,026 | 0,082 |
| Communication savante | 0,024 | 0,029 |
| Science ouverte | 0,003 | 0,017 |
| Intégrité de la recherche | 0,016 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».