Exploring the inter-connections between Alternative Agrifood and Seafood Networks for building food systems resilience
Notice bibliographique
Résumé
In the context of intensifying threats to food systems and a growing need for resilience, Alternative Agrifood Networks (AANs) and Alternative Seafood Networks (ASNs) have emerged as notable bright spots across North America. Collectively, AANs and ASNs comprise Alternative Food Networks (AFNs) - the micro, small, and medium-sized enterprises which are important, but often overlooked, actors in food systems. However, a critical limitation for food system resilience is that agriculture and fisheries remain chronically siloed in research, legislation, regulation, and advocacy. In this field report, we explore the opportunities and challenges of linking ASNs and AANs to build more resilient food systems. To do so, we draw on our experiences as an interdisciplinary group of food systems researchers and practitioners that came together in 2022 through the Agrifish Resilience project. Based on a series of reflective collaborative conversations that we held as a team, we share our key insights for building resilience across agriculture and fisheries focusing on three main themes: the role of ASNs and AANs in food system resilience, our perspectives on what resilience in food systems means, and prospects for collaboratively building resilience. We conclude by proposing the idea of boundary objects as a way of bringing ASNs and AANs together, with some examples of what this looks like in practice, and the role for interdisciplinary teams like ours.
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 | 0,012 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,021 | 0,034 |
| Communication savante | 0,014 | 0,015 |
| Science ouverte | 0,002 | 0,019 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».