In a Good Way: Braiding Indigenous and Western Knowledge Systems to Understand and Restore Freshwater Systems
Notice bibliographique
Résumé
Insights from Indigenous and Western ways of knowing can improve how we understand, manage, and restore complex freshwater social–ecological systems. While many frameworks exist, specific methods to guide researchers and practitioners in bringing Indigenous and Western knowledge systems together in a ‘good way’ are harder to find. A scoping review of academic and grey literature yielded 138 sources, from which data were extracted using two novel frameworks. The EAUX (Equity, Access, Usability, and eXchange) framework, with a water-themed acronym, summarizes important principles when braiding knowledge systems. These principles demonstrate the importance of recognizing Indigenous collaborators as equal partners, honouring data sovereignty, centring Indigenous benefits, and prioritizing relationships. The A-to-A (Axiology and Ontology, Epistemology and Methodology, Data Gathering, Analysis and Synthesis, and Application) framework organizes methods for braiding knowledge systems at different stages of a project. Methods are also presented using themes: open your mind to different values and worldviews; prioritize relationships with collaborators (human and other-than-human); recognize that different ways of regarding the natural world are valid; and remember that each Indigenous partner is unique. Appropriate principles and practices are context-dependent, so collaborators must listen carefully and with an open mind to identify braiding methods that are best for the project.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».