Learning from wildfire: co-creating knowledge using an intersectional feminist standpoint methodology
Notice bibliographique
Résumé
Due to climate change, rural Canadian communities living in boreal regions can expect more intense and frequent wildfires. People’s experiences of wildfire hazards are differentiated by intersecting social factors such as age, gender, culture, and socio-economic status, as well as by social structures that enable or limit adaptation. This study engaged two Northern Saskatchewan communities in a process of co-developing a post-disaster learning framework and companion guidebook to support ongoing adaptation to climate hazards, enabled by the use of an intersectional feminist standpoint methodology. This methodology influenced both the process and outcomes of the research, which involved 18 interviews conducted with study community members and a workshop with a subset of the interview cohort. The intersectional feminist standpoint methodology facilitated insight into how intersecting social identity factors (e.g., gender, age, socio-economic status, and geography) shaped experiences of wildfire, as well as the need for and potential of post-disaster learning at the community level. In this paper, we focus on methodological insights for researchers and communities who seek to co-create knowledge and learning opportunities. In particular, we note the methodological impacts on research design choices, learning through the research process, and lessons learned through conducting community-engaged research during the early days of another kind of crisis: the COVID-19 pandemic.
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 | 0,025 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,011 | 0,022 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».