Scenario analysis using community insights for improving local food system planning: Application of a climate-biodiversity-health framework
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Addressing the complexities of local food systems planning requires integrating community insights to design policies that meet stakeholder expectations and guide targeted interventions. This study employs systems to analyze local food systems planning within a Climate-Biodiversity-Health framework. By gathering stakeholder input and community perspectives, it aims to identify critical leverage points within the complex network of interconnected challenges affecting food systems. Using a survey designed around the connections of a systems map, 138 responses were gathered, and 15 nodes functioning as leverage points were identified across various domains, including climate, biodiversity, food, and governance. Mental Modeler software was used for a ‘what-if’ scenario analysis to explore the potential implications of the identified leverage points on overall food systems concerning climate, biodiversity, and health factors. This research contributes methodological and empirical insights to the literature by experimenting with a systems-based approach for comparing perspectives of practitioners and broader community members on food systems issues and strategies. The research revealed both areas of alignment and divergence that highlight the need for planning approaches that are effective and publicly trusted. The study identifies a mix of agro-ecological and governance interventions for building a resilient food system that supports climate action, biodiversity, and community well-being. Furthermore, the study aims to showcase the practical application of community knowledge in system analysis and intervention identification, contributing to the advancement of sustainable and resilient food systems.
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.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle