Natural Hazards, Climate Change, and Indigenous Knowledge and Stewardship: Moving Toward a Resilience-Based Model
Notice bibliographique
Résumé
Abstract The increased frequency and intensity of natural hazards associated with climate change represents a major risk to Indigenous peoples . Yet, the existing vulnerability-based model of natural hazard mitigation and adaptation is reactive and largely treats Indigenous peoples as “vulnerable”—passive actors, whose knowledge and stewardship are typically ignored. To meaningfully mitigate and adapt to the increasing impacts of changing climates, a transformation is required towards a proactive and holistic resilience-based model, grounded in Indigenous knowledge and stewardship. A resilience-based model empowers Indigenous peoples to proactively steward their lands towards health as the primary goal, thus reducing ecosystem vulnerability, and in doing so, community members strengthen their connection to the land and enhance their identity and agency, with documented positive health and well-being outcomes. Transitioning to a resilience-based approach requires structured learning and action-based approaches that treat resilience as both a process and an outcome, and strengthened in a positive cycle. Four interdependent elements are important to catalyze a resilience-based approach: (a) devolving stewardship to Indigenous Peoples , guided by Indigenous knowledge; (b) strengthening localized governance, in ways consistent with local values; (c) adequately resourcing stewardship and governance; and (d) monitoring and evaluating stewardship using “transdisciplinary” approaches that draw from Indigenous and Western knowledge systems in respectful ways, and to guide stewardship.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,010 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».