Affirming Indigenous data sovereignty in collaborative wildlife conservation in the era of open data
Notice bibliographique
Résumé
Abstract In the current data‐driven landscape of wildlife conservation, data sovereignty (i.e. governance and security) is fundamental to determining how knowledge is created and applied to pressing biodiversity concerns. Western science increasingly champions open data, which uplifts data stewardship and sharing to make data more accessible. At the same time, Indigenous Peoples stress the importance of Indigenous data sovereignty (IDS) to assert Indigenous rights over Indigenous data. These two philosophies offer distinct approaches to data sovereignty, creating possible tensions in collaborations between Western scientists and Indigenous Peoples. Awareness of this issue in wildlife conservation is slowly growing, and practical guidance is needed for balancing IDS and open data in collaborations. Here, we review current literature to identify challenges in bringing IDS and open data together in collaborative wildlife conservation. We include specific commentary for wildlife sensors (camera traps and autonomous recording units) due to the growing use and demonstrated interest in open data practices for these technologies and their appeal in Indigenous‐led conservation. We describe three nested themes of data sovereignty: collaborative relationships, data governance and data stewardship. Within these themes, we identify nine recommendations to navigate potential IDS and open data tensions in collaborations, stressing the need to focus on relationship building, support Indigenous data governance agendas and to discuss upfront expectations for data stewardship. Additionally, we suggest reflective questions to consider throughout the data life cycle. This provides a framework for understanding the sociocultural implications of wildlife data and supporting IDS throughout the collaborative process, while identifying opportunities to apply open data stewardship practices. Synthesis and applications: Our work demonstrates the need for explicit recognition of IDS principles for wildlife data and proposes general guidance for addressing data sovereignty in collaborative initiatives. We recognize that our recommendations are not exhaustive and that each collaborative context brings unique challenges and opportunities. We invite continued discussion on data governance and stewardship to promote shared learning. Our recommendations can be applied more broadly to facilitate a new approach to data sovereignty in collaborations across the natural sciences. Read the free Plain Language Summary for this article on the Journal blog.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| 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 ».