Flow approaches in agri-food systems research: revealing blind spots to support social-ecological transformation
Notice bibliographique
Résumé
Agri-food systems are called upon to undergo profound transformation. The development of “flow approaches” (including lifecycle assessment, carbon footprint, ecological footprint, and metabolism methodologies) has been crucial to point to the material side of human activities. More specifically, these approaches highlight the material and energetic costs of long agri-food value-chains, intensive farming practices, high levels of geographic specialization, as well as the production of non-food commodities. In the logical progression from diagnosis to action, flow approaches are currently being used as decision-support tools. But what are the biases induced by flow approaches when it comes to supporting real-world transformations? Based on our experience and interdisciplinary background, we argue that flow approaches provide a decontextualized and narrow framing of issues related to agri-food systems, such as accumulations and transfers across space and time, inequalities and asymmetries along the chain of activities, or long-lasting environmental impacts. Some aspects are measured and emphasized, while others are difficult to observe or neglected. Flow approaches, alone, are not well suited to inform issues of environmental justice, radical transformation, and local governance. As in most cases methodological advances will not suffice to overcome the biases induced, we call for hybridizing methods and for broadening analytical perspectives.
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 | 0,044 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,011 | 0,007 |
| Études des sciences et des technologies | 0,007 | 0,038 |
| Communication savante | 0,013 | 0,032 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».