Treeplanting tales and the knowledge they sow: how experiential knowledge can be shared through narratives and impact forest management in Canada
Notice bibliographique
Résumé
The last two summers, I planted over 120 000 trees in British Columbia. Through this experience I gained a tremendous amount of new knowledge. This knowledge is not scientific or propositional, but rather subjective, active, aesthetic, and embodied: it comes from my subjective experience of planting trees through physical suffering and arduous navigation of the logged forest. Philosophers call this knowledge “knowledge by acquaintance” or "experiential knowledge". If its subjective nature makes it difficult to share, I argue that this knowledge can be communicated through narrative arts. My research questions are therefore "How can we share experiential knowledge?” and “What impact can the communication of the tree-planter's experience have on forest management in Canada?” My research objectives are twofold: to explain and demonstrate the value and legitimacy of experiential knowledge as a form of knowledge, and to explore how sharing this knowledge through stories and poetry might impact how foresters and planters do their work. To do so, I will use creative writing to share my experiences as a planter, analysing how this form of writing can help to share knowledge by acquaintance and how it may differ from scientific accounts, as well as exploring the potential impact of sharing these stories with foresters.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,048 | 0,047 |
| Communication savante | 0,017 | 0,005 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».