La marchandisation des savoirs culturels – La science occidentale au service des grandes entreprises et les savoirs autochtones du Pacifique
Bibliographic record
Abstract
L’auteur de cet article examine les relations d’exploitation qui existent entre la science utilisée par les grandes entreprises et la sagesse des communautés du Pacifique, et il essaie de déterminer dans quelle mesure ces deux types de savoir s’acceptent ou se nient réciproquement. Il porte une attention particulière à la marchandisation des savoirs traditionnels opérée par la biotechnologie et la bioprospection, ainsi qu’à ses effets sur les sentiments d’identité, de sécurité et de propriété des individus. Quelle influence les exigences mondiales en matière de mondialisation, de libre échange et de marchandisation ont-elles sur les communautés locales du Pacifique confrontées au dilemme consistant à s’adapter à la mondialisation tout en conservant les savoirs et les aspirations traditionnels ? L’auteur se réfère à l’expérience de quelques communautés du Pacifique et à la façon dont elles ont résolu ce dilemme. Il montre comment de grandes entreprises se sont servies de la science occidentale pour extraire et marchandiser certaines connaissances des populations du Pacifique à l’aide d’instruments juridiques comme les brevets.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.010 | 0.007 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".