Perceptions de communautés québécoises à l’égard des ressources comestibles du fleuve Saint-Laurent
Bibliographic record
Abstract
Contexte: Le Saint-Laurent abrite une grande diversité de ressources comestibles, mais elles sont largement méconnues. De nos jours, les Québécois consomment principalement des produits marins importés, alors que les quelques espèces pêchées commercialement au Québec sont majoritairement exportées. Pourtant, il est raisonnable de penser que les habitants des communautés longeant le Saint-Laurent ont une relation de proximité aux ressources comestibles du fleuve et une vision de leur valorisation qui mérite d’être entendues. Manger notre Saint-Laurent est un projet de recherche-action multidisciplinaire visant la valorisation des ressources comestibles issues du Saint-Laurent. Objectifs: (1) Analyse critique de la démarche participative utilisée au sein de quatre communautés québécoises dans le cadre du projet Manger notre Saint-Laurent et (2) Analyse des résultats générés. Méthodologie: Quatre communautés ont été identifiées comme acteurs du projet : Cap-Chat, Sainte-Thérèse-de-Gaspé, les Îles de la Madeleine et la Première Nation Wolastoqiyik Wahsipekuk (Malécites de Viger). Un groupe de 10 à 14 participants a été recruté pour chaque communauté. La technique du groupe nominal (TGN) a été utilisée, et une analyse qualitative des transcriptions a été effectuée. Résultats: Les stratégies gagnantes portant sur l’augmentation de l’offre sont l’augmentation de la disponibilité locale sous forme de circuits courts et la promotion de la pêche de subsistance. Les stratégies gagnantes portant sur l’augmentation de la demande sont la découverte par la dégustation, la valorisation de la culture historique des pêches et le marketing éducatif des produits. Certaines espèces émergentes (oursin, algues, phoque) intéressaient particulièrement les participants. Les publics à cibler les plus populaires étaient les jeunes, ainsi que la communauté dans son ensemble. L’analyse qualitative a permis de révéler entre autres la forte identité culturelle de chaque région en lien avec la pêche. De plus, une analyse critique de la TGN révèle entre autres l’importance du recrutement des participants, de l’expérience du facilitateur et la pertinence d’une analyse qualitative pour approfondir les propos. Conclusion: L’échantillon de la population côtière du Saint-Laurent fait consensus que plusieurs ressources comestibles issues du Saint-Laurent gagnent à être plus disponibles et mieux valorisées, et que la communauté entière et particulièrement les jeunes sont à cibler. Cette étude est le premier pas d’un projet de recherche qui permettra qu’en tant que Québécois, nous pourrons Manger notre Saint-Laurent.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.004 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".