Cree knowledge, fuzzy cognitive maps, and the social-ecology of moose habitat quality under an adapted forestry regime
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Participatory modeling and fuzzy cognitive mapping of social-ecological systems offers a more comprehensive understanding of complex systems inclusive of multiple perspectives and diverse types of knowledge. Many Indigenous communities attribute recent declines in boreal moose populations to forestry disturbance and are insisting that their observations, knowledge, and values contribute more meaningfully to forestry and moose co-management. Here we describe a knowledge co-production approach documenting Cree social-ecological understanding of moose habitat quality in the Eeyou Istchee territory of northern Québec, Canada, almost 20 years after the implementation of a forestry co-management regime. Thirty-seven fuzzy cognitive mapping sessions with 56 land-users from 4 Cree communities identified 18 categories that influence good moose habitat, including physical (“Climate & Weather”), ecological (“Habitat Features, Moose Forage”), and social contributors (“Hunting & Predation, Cree Culture”). Knowledge maps highlight the diverse interrelationships that land users know to influence moose habitat quality and point to key social variables (hunting activity, noise disturbance) that should be included in wildlife-habitat models, as well as specific aspects of forestry practice and management that Cree know to negatively impact moose populations despite the implementation of a co-management regime. Our findings highlight how fuzzy cognitive mapping can bring together individual expertise into a collective knowledge account, inclusive of multiple understandings and experiences that allows for the identification and ranking of variables and relationships. Fuzzy cognitive mapping summarizes the plurality of Cree social-ecological knowledge in a form that is accessible, applicable, and actionable within local, regional, and provincial co-management regimes.
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.
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 | 0,002 | 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 | 0,002 |
| 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 | 0,000 |
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 découle