Indigenous knowledge and leadership for climate change adaptation in nutrition
Notice bibliographique
Résumé
Indigenous knowledge and leadership for climate change adaptation in nutritionClimate change adaptation to support our food and nutrition system will berequired to achieve sustainable development, especially in combating hunger (SDG 2) while also achieving health and mitigating climate change (SDG 3 and 13) [1].Climate change repercussions for nutrition are especially concerning in countries where essential needs remain unmet [2].For Indigenous and non-Indigenous scientists working in Latin America (LA), this means that we need to embrace positive transformationsto shape our future.Persistent health challenges that are embedded in social and structural inequities(e.g.prevalent infectious diseases [3], and high levels of under nutrition and anaemia [4]) are at risk of being exacerbated by climate change.For example,anaemia prevalence ranges from 16% to 86%, among young Indigenous children, with stunting and overweight affecting up to 48% and 40%, respectively of children in LA [4,5].Promisingly, the good news for LA countries,where up to 8% of its population self-identifies as Indigenous [6], is that we can recognise, preserve, and leverage the insights and knowledge of Indigenous Peoples.A reciprocal collaboration is essential to inform adaptation policies that ensureimproved nutrition for Indigenous communities whilst simultaneously supporting the sustainable development of countries by reducing harm to the environment, preserving cultures, and strengthening well-being and income opportunities for Indigenous Peoples.
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 | 0,010 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,010 | 0,017 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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 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 ».