Weaving Indigenous and Western knowledge systems to discern drivers of <i>mooz</i> (moose) population decline
Notice bibliographique
Résumé
Abstract Understanding and addressing biodiversity declines across the globe will require interdisciplinary practices that embrace multiple worldviews and weave knowledge systems. Here, we used a Two‐Eyed Seeing approach to weave Anishinaabe ecological knowledge with peer‐reviewed Western scientific literature to provide a comprehensive understanding of the drivers of a declining moose (mooz; Alces alces) population in Ontario, Canada. We interviewed 66 participants from three Anishinabek communities on the causes of moose decline and conducted a literature review of 52 Western‐science studies that focused on factors that affect moose in Ontario. Our study revealed that there was agreement among knowledge systems on the importance of climate change and disease and parasites in explaining moose population decline in Ontario. Unique perspectives were provided on the mechanisms describing climatic impacts on calf recruitment, with an emphasis on spring onset and green‐up by Western science, and winter onset and timing of the rut by Anishinaabe knowledge. Western science also focused on the effects of habitat disturbance and predation on moose, and Anishinaabe knowledge emphasised harvest pressure. Other factors identified by both knowledge systems included the impacts of roads and railways. Distinctive information offered by Anishinaabe knowledge holders included the displacement of moose from areas in response to the range expansion of white‐tailed deer (waawaashkeshi; Odocoileus virginianus) and the negative effects of contaminants introduced into the environment by mining and forestry activity. Overall, weaving knowledge systems offered a nuanced and wholistic understanding of factors affecting moose and provided different perspectives to explain interacting and cumulative effects. Our study showcases the value in weaving knowledge systems to improve understanding of ecological problems and find wholistic strategies for conservation. Read the free Plain Language Summary for this article on the Journal blog.
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 | 0,011 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,013 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,007 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».