Besoins en matière de sciences et de connaissances pour soutenir la mise en oeuvre canadienne du Cadre mondial de la biodiversité de Kunming-Montréal
Bibliographic record
Abstract
Malgré les efforts considérables déployés pour enrayer la perte de biodiversité au Canada, le déclin se poursuit. Il est de plus en plus reconnu que les facteurs directs de la perte de biodiversité, tels que l'exploitation des ressources et la pollution, sont perpétués en partie par des conflits d'objectifs et de valeurs entre les secteurs économiques, sociaux, politiques et technologiques, ainsi que par des inégalités à de nombreuses échelles. Il est nécessaire de s'attaquer à ces problèmes pour créer le changement transformateur requis pour inverser le déclin de la biodiversité. Le Cadre mondial pour la biodiversité 2022 Kunming-Montréal (CMBKM) vise à mettre à profit les enseignements tirés des précédentes tentatives multilatérales pour enrayer la perte de biodiversité. Le cadre s'appuie sur 23 cibles, à atteindre d'ici 2030, qui relèvent des thèmes suivants : réduction des menaces pesant sur la biodiversité, utilisation durable des ressources pour répondre aux besoins humains, et outils et solutions pour la mise en œuvre et l'intégration. Nous avons consulté des experts en biodiversité de divers domaines et secteurs, y compris des spécialistes des sciences naturelles, sociales et autochtones issus du monde universitaire, d'organisations non gouvernementales et de gouvernements. Nous présentons ici les points de vue de cette communauté d'experts sur les besoins principaux en matière de connaissances et de sciences qui renforceront la capacité du Canada à atteindre les objectifs et les cibles du CMBKM. Le rapport décrit 78 besoins spécifiques aux cibles, allant de lacunes spécifiques dans le suivi de la biodiversité à des priorités de recherche suggérées. Huit concepts clés ont également été identifiés pour soutenir le changement transformateur dans la lutte contre la perte de biodiversité, notamment 1) transformer plus efficacement les connaissances sur la biodiversité en actions, 2) Centrer les peuples et les systèmes de connaissances autochtones, 3) Élargir l'optique à travers laquelle nous comprenons et abordons la conservation par le biais de la recherche en sciences sociales et humaines, 4) améliorer la collaboration entre les secteurs et au sein de ceux-ci, 5) planifier et gérer la conservation avec les utilisateurs des ressources sur le terrain, 6) améliorer la gestion des données, 7) intégrer de manière holistique les cibles du CMBKM, 8) comprendre comment mettre à l'échelle les informations sur la biodiversité, de l'échelle locale à l'échelle nationale. En outre, nous suggérons des domaines de recherche transversaux qui pourraient générer des informations importantes : 1) évaluer l'efficacité des mesures actuelles de gestion de la biodiversité, 2) développer des initiatives autochtones en matière de biodiversité pour permettre la pleine participation des peuples autochtones à la gestion de la biodiversité, 3) des efforts accrus pour inclure la recherche en sciences sociales dans la conservation, et 4) identifier la manière dont les sociétés et les cultures valorisent le capital naturel et les services écosystémiques.
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 | 0.004 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.006 | 0.004 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.033 | 0.002 |
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".