Transdisciplinary Partnerships for Food Literacy Education Research and Professional Development
Notice bibliographique
Résumé
Food literacy education is directly linked to global issues, such as social inequity in food access, environmental degradation, and economic imbalances in trade and corporate consolidation. While food literacy education fosters informed consumers who prioritize sustainability and ethics in their food choices, while also empowering them to engage in community and political action for transforming food systems, it currently is over-theorised and under-practiced. The Food Literacy International Partnership (FLIP) is a project that brings together scholars from four countries – Australia, Canada, Sweden and the US - to create partnerships that are focused on food literacy practices and outcomes, and on supporting educators. In this paper, we describe the development of these transnational, transdisciplinary partnerships, noting the affordances and challenges that emerged and how these were addressed. As part of implementing these partnerships, we published a website that hosted resources, held webinars, worked directly with educators, supported junior scholars, convened a symposium, and presented at conferences; through all of these, we added individuals and groups to our partnership network. The development of these partnerships highlights the need and potential for more discourse and collaboration around food literacy across national borders, enabling this work to have the most impact in contributions to more sustainable and socially just food systems worldwide.
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 | 0,063 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,009 | 0,007 |
| Communication savante | 0,013 | 0,012 |
| Science ouverte | 0,003 | 0,039 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,057 | 0,007 |
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 ».