Wildlife Management in Nunavik: Structures, Operations, and Perceptions Following the James Bay and Northern Quebec Agreement
Bibliographic record
Abstract
Des lignes directrices et des pratiques exemplaires visant à faire participer les peuples autochtones des régions arctiques à la recherche biophysique sont publiées depuis les années 1990. Malgré ces lignes directrices, les scientifiques généraux ont toujours de la difficulté à créer des relations de travail efficaces avec les peuples autochtones et à les faire participer à leurs recherches. Nous avons fait face à cet enjeu quand nous avons visité trois collectivités de la côte ouest de l’Alaska pour étudier les événements climatiques percutants et la formation de « bermes de bouillie de glace » susceptibles de protéger les localités des ondes de tempête. Quand nous avons essayé de nouer des liens avec les résidents des diverses localités, nous avons constaté que les lignes directrices actuelles sont souvent utiles pour nous indiquer quoi faire (par exemple, elles mettent l’accent sur l’importance des communications face à face), mais les chercheurs doivent aussi penser à comment le faire (les compétences) et à comment se présenter (attributs personnels). Pour prouver aux Autochtones qu’ils valorisent et respectent leur culture, les chercheurs pourraient apprendre à employer du vocabulaire qui est compréhensible et qui tient compte d’une démarche de collaboration au lieu d’une démarche hiérarchique du sommet à la base. Il faudrait que nous soyons prêts à adapter nos emplois du temps et à aider la collectivité que nous visitons au lieu de nous concentrer seulement sur nos propres besoins. Il faudrait aussi considérer les avantages pour la collectivité et nous assurer que les résidents comprennent la recherche que nous faisons et soient satisfaits. Parmi les attributs nécessaires pour ces travaux de recherche, notons la curiosité, l’honnêteté, la sensibilisation aux besoins d’autrui, l’empathie, la flexibilité et l’ouverture d’esprit. Même si les compétences et les attributs dont il est question ici aident à combler l’écart entre les cultures, nous tenons à souligner qu’aucune formule particulière ne garantit le succès.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".