Socio-economic futures for cellular agriculture: the development of a novel framework
Notice bibliographique
Résumé
Novel agri-food technologies such as cellular agriculture present strong economic opportunities, with potential to reduce the environmental footprint of agriculture, improve animal welfare, and feed the world. A rich body of literature has emerged in the past five years that evaluates those claims, and illuminates the diverse food system futures framed by novel agri-food technology actors across the food system. To date, those characterizations of food system futures rely mainly on public data, such as technology advertisements and press releases, and have yet to engage deeply with a broader suite of social, economic, and material pathways for their emergence. The need for a robust social scientific framework through which to describe and evaluate concrete futures for novel food technologies such as cellular agriculture is needed. In this paper, we draw from a set of fifty-two interviews and 3 focus groups with key cellular agriculture stakeholders from industry, academia, investment, and research institutions. We found three key considerations for cellular agriculture futures: to understand the places and scales across which cellular agriculture ‘happens’, to balance competitive industry interests with public-private collaboration, and to navigate the extent to which cellular agriculture interfaces with traditional agriculture. From these considerations, we draw from the literature to deduce three dimensions across which to describe and evaluate concrete futures for novel agri-food technologies, broadly: centralization, access, and integration. Plotting food system futures across these three variables illuminates assumptions, preconceptions, and enabling conditions that may engender more or less desirable futures.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».