Inclusivity of Indigenous Knowledge Systems in Fisheries Management
Notice bibliographique
Résumé
ABSTRACT Indigenous Peoples have developed knowledge systems that foster respectful and reciprocal relations between humans and other‐than‐human beings, supporting resilient ecosystems and societies. Despite the impacts of colonisation, Indigenous Knowledge Systems (IKS) endure in many parts of the world, and there is growing recognition that IKS can strongly improve fisheries management. During the last 5 years, Fisheries and Oceans Canada (DFO), the federal institution responsible for managing Canada's fisheries, released policies and strategies intended to make fisheries management more inclusive of IKS. To measure progress in their implementation, we applied 13 semiquantitative indicators and qualitative analyses of IKS inclusivity to a sample of 78 public documents produced or co‐produced by DFO to advise management decisions. Of these documents, ≈87% reported cases that did not meaningfully include Indigenous Peoples and their IKS, 9.0% reported cases in which Indigenous Peoples were included in some aspects of research but their IKS was not, ≈3% reported cases in which IKS contributed to objectives and elements of research design but the process privileged Western science over IKS, and only one document met a high standard for the pairing of IKS and Western science. The indicators that we developed in a Canadian context can be used, with locally appropriate revisions, to gauge the extent to which state governments in other countries are inclusive of IKS in fisheries management, thereby identifying shortcomings in law, policy, and practice and informing mitigation measures. Strengthening the inclusivity of IKS would enable more holistic approaches to fisheries management and benefit global conservation.
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 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 | 0,000 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».