Bridging Indigenous knowledge systems and Western science for the co-management of wildlife in Canada: a systematic review
Notice bibliographique
Résumé
Drawing upon both Indigenous Knowledge Systems (IKS) and Western science (WS) enhances equity and effectiveness, while also strengthening the evidence-base for wildlife management, decision-making, and conservation action. However, implementing this approach remains challenging. We systematically reviewed the published literature that reported empirical results on bridging IKS and WS in decision-making processes and the implementation of practices designed to influence interactions between people, wildlife, and habitats. The aim was to examine the relationship between wildlife management, co-management, and knowledge bridging in Canada. Our standardized search across bibliographic databases identified 21 articles, including 27 case studies for analysis. In addition to bibliographic and contextual information (e.g., location), we coded for 11 functional questions across categories: (1) decision-making; (2) implementation of practices; (3) achievement of impacts; and (4) enablers and barriers to success. Through our analysis, we make the case that effective knowledge bridging requires active participation of Indigenous Peoples throughout the wildlife management process, including setting objectives, selecting/designing, and implementing actions, followed by monitoring and evaluating performance. Our findings highlight essential enablers (e.g., cross-cultural competency, trust and relationship building, knowledge co-production) that need to be fostered alongside the barriers to overcome (e.g., epistemological/ontological divides, poor power sharing arrangements, communication difficulties) for equitable and effective mobilization of knowledge bridging in wildlife management.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».