Analysis of sustainability assessments to understand modeling trends and habits in the Agri-food industry: A Canadian case study
Notice bibliographique
Résumé
This paper presents a comprehensive analysis of the agri-food Life Cycle Assessments (LCA) to develop actions geared towards improving the consistency across different regions. A case study was conducted in the Canadian agri-food industry, addressing inconsistencies in adopting LCA tools, methodologies, and impact categories across academic, industrial, and governmental stakeholders. The study identifies trends, gaps, and opportunities in the field, which involves understanding the status and trends of LCA construction and modeling in the industry, identifying the regions and institutions engaged in LCA development, and papering on the tools and methods used by practitioners. Significant findings include regional and institutional deviations in selecting LCA impact methods and categories, limiting the scalability and comparability of results and hindering the integration of LCA outcomes into national and regional sustainability strategies. The deviations in LCA practices across regions, years, and institutions highlight the need for regionalized LCA impact assessment methods. Regional distributions indicate that provinces with high agricultural GDP, such as Ontario, Quebec, and Alberta, are well-represented; however, Saskatchewan has less prominent LCA activity, which is a concerning gap. This study proposes the use of region-specific LCA impact assessment method tailored to diverse agricultural and environmental contexts. Stakeholder-specific strategies to address these gaps, promoting actionable collaboration for more consistent and scalable LCA practices applicable to other sectors, are shared. A Strength, Weakness, Opportunity, and Threats (SWOT) framework is developed to target optimal approaches for stakeholder-specific actions to foster efficient and harmonized LCA collaboration. This paper presents the value of cooperation between all stakeholders to enhance the consistency and applicability of LCA results. To facilitate this, it proposes actionable strategies such as creating centralized knowledge-sharing platforms, inter-institutional partnerships, and standardized data collection and papering protocols.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».