MétaCan
Menu
← Retour à la cohorte
Enregistrement W7118537913 · doi:10.5281/zenodo.18177861

Animal agency: Wildlife management from a kincentric perspective

2017· article· W7118537913 sur OpenAlexaboutno aff
Jonaki Bhattacharyya, S. Slocombe

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2017
Typearticle
Langue
DomaineEnvironmental Science
ThématiqueWildlife Ecology and Conservation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWildlifeWildlife managementIndigenousPerspective (graphical)ParallelsTraditional knowledgeWildlife conservationEmpirical research

Résumé

récupéré en direct d'OpenAlex

(Uploaded by Plazi for the IPBES Invasive Alien Species Assessment) Co-management of wildlife and landscapes often requires managers to work with Indigenous and conventional Western worldviews. Many cultures recognize animals as non-human persons with decision-making agency. Such perspectives, termed "kincentric ecology," suggest a relational approach to management that differs from convention in North America. We argue that kincentric perspectives are highly relevant to current approaches and issues in wildlife management, including the incorporation of Indigenous Knowledge. Using empirical research with the Xeni Gwet'in First Nation in British Columbia, Canada, we discuss four dimensions of kincentricity key to collaborative management, with notable parallels in emergent systems science: (1) shift in emphasis from human rights to responsibilities; (2) focus on social-ecological systems; (3) acknowledgment of uncertainty and rapid change; and (4) emphasis on locally relevant, empirical knowledge. Wildlife and land management influenced by bioculturally diverse knowledge implies a more systemic approach; adaptive processes; changed goals and values; and shifting responsibilities among stakeholders. © 2017 Welti et al.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,040
Score d'incertitude au seuil0,133

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,004
Communication savante0,0060,004
Science ouverte0,0010,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0400,005

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,246
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)→Même sujetWildlife Ecology and Conservation→Travaux en français237 207→