Comment mettre la génomique forestière et la génomique de la conservation au service des communautés autochtones?
Bibliographic record
Abstract
Les projets d’aménagement durable et de conservation (ADC) des ressources naturelles en collaboration avec les peuples autochtones ayant recours à une approche en génomique sont en émergence. Les informations et applications issues de la génomique peuvent leur être utiles particulièrement dans un contexte de changements climatiques. Toutefois, le défi de transposer ces applications dans la pratique et de les mettre au service des communautés demeure. Nous présentons ici une revue de littérature exploratoire qui aborde (1) les utilités démontrées de la génomique dans les projets d’ADC impliquant les peuples autochtones, (2) certains enjeux qui peuvent limiter l’adoption des applications de la génomique et (3) le travail collaboratif entre chercheurs et communautés autochtones dans les études analysées. Les utilités démontrées identifiées ont été essentiellement de nature socioécologique. La nature complémentaire des savoirs autochtones et des savoirs scientifiques en génomique a été reconnue comme une opportunité qui devrait être développée davantage pour relever les défis actuels, tels que les changements climatiques. En ce qui concerne l’adoption de cette technologie en ADC dans la pratique, en plus de faire face à des enjeux similaires à d’autres utilisateurs finaux, l’intégration des besoins, des valeurs traditionnelles et des connaissances des communautés autochtones dans les projets de génomique représente également un défi dans un contexte de décolonisation de la recherche en génomique. Finalement, la collaboration communauté-chercheur a été identifiée comme un élément clé pour favoriser la réussite de la transposition de la génomique en ADC.
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 | 0.007 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 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".