MétaCan
Menu
Retour à la cohorte
Enregistrement W4389083331 · doi:10.3384/ecp203029

Peeling Back the Layers: Prototyping Systemic Transformation through the Circular Food Innovation Lab

2023· article· en· W4389083331 sur OpenAlexafffundabout
Lily Raphael, Marcia Higuchi, Laura Kozak, Erin Nichols

Notice bibliographique

RevueLinköping electronic conference proceedings · 2023
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueComplex Systems and Decision Making
Établissements canadiensEmily Carr University of Art and Design
Organismes subventionnairesMitacsLinköpings Universitet
Mots-clésGovernment (linguistics)Work (physics)Food systemsFood insecurityAmbiguityBusinessMarketingService (business)Food wasteFood securityEngineeringComputer scienceGeographyAgriculture

Résumé

récupéré en direct d'OpenAlex

Wasted food — the result of a linear pattern of producing, under-consuming and disposing of food — is a pervasive issue globally and in Canada. Wasted food is a complex challenge, meaning it is characterized by unpredictability, ambiguity, and many actors. The current climate crisis, food insecurity, economic disparity and housing inequality all intersect with this challenge. If we are to tackle these increasingly complex issues in social and public sectors, we need to work together in new and emergent ways. The Circular Food Innovation Lab was a unique research initiative that drew together municipal government, interdisciplinary designers and regional food businesses – grocers, food producers, distributors, restaurants and vendors – to tackle these complex challenges through systemic and service design methodologies, asking “how might we work together to increase circularity in Vancouver’s food system so that food is not lost or wasted; access to food is nourishing, equitable, and culturally appropriate; and habitats are protected for current and future generations of humans and more-than-humans?”

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,021
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,113

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0210,029
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0060,019
Communication savante0,0120,009
Science ouverte0,0030,015
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0160,003

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.

Tête enseignante Opus0,166
Tête enseignante GPT0,365
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueLinköping electronic conference proceedingsMême sujetComplex Systems and Decision MakingTravaux en français237 207