Renforcer les compétences grâce à l’agriculture urbaine : rapport sur le projet Askîy
Bibliographic record
Abstract
Introduction De nombreuses villes d’Amérique du Nord ont construit un environnement donnant accès à des aliments riches en calories et laissant peu de possibilités de mener une vie active. L’agriculture urbaine contribue à un environnement favorable grâce à la culture de végétaux destinés à l’alimentation, ce qui implique leur transformation, leur entreposage, leur distribution et leur compostage. Elle constitue un moyen d’augmenter la production alimentaire locale et d’améliorer ainsi la santé dans les collectivités. Cette étude avait comme objectif de comprendre comment la participation à l’agriculture urbaine peut contribuer à l’autonomisation de jeunes adultes et au renforcement des compétences à cultiver des aliments en ville. Méthodologie Il s’agissait d’une étude qualitative reposant sur sept participants (cinq Autochtones et deux non-Autochtones) de 19 à 29 ans, recrutés comme stagiaires dans un projet d’agriculture urbaine appelé « Askîy » à Saskatoon (Saskatchewan, Canada) en 2015. Nous avons utilisé un modèle d’étude de cas et une analyse qualitative pour décrire l’expérience des participants en fonction du Cadre des moyens de subsistance durables. Résultats L’approche collaborative a eu un effet majeur sur l’expérience des stagiaires, en particulier dans les liens qu’ils ont formés au fil de la planification, de la plantation, de l’entretien, de la récolte et de la vente des produits. Certains stagiaires ont changé leurs habitudes en matière d’épicerie et ont commencé à acheter plus de légumes et à demander où et comment sont produits les légumes. Tous les stagiaires étaient enthousiastes à l’idée de jardiner de nouveau l’année suivante, et certains d’entre eux planifiaient d’appliquer leurs connaissances et leurs compétences dans leur réserve d’origine. Conclusion Les programmes d’agriculture urbaine renforcent les compétences en permettant d’acquérir des habiletés qui vont au-delà de la culture d’aliments. Ils augmentent la production alimentaire locale et améliorent les compétences en littératie alimentaire, les relations sociales, l’activité physique et la fierté au sein de la collectivité.
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 | 0.010 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.005 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 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".