MétaCan
Menu
Retour à la cohorte
Enregistrement W1976893268 · doi:10.3197/096734006776026809

Empires of Forestry: Professional Forestry and State Power in Southeast Asia, Part 1

2006· article· en· W1976893268 sur OpenAlexaff
Peter Vandergeest, Nancy Lee Peluso

Notice bibliographique

RevueEnvironment and History · 2006
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueConservation, Biodiversity, and Resource Management
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésColonialismForestryCommunity forestryEmpirePolitical scienceState (computer science)Forest managementPoliticsGeographyEconomyEconomicsLaw

Résumé

récupéré en direct d'OpenAlex

Abstract This paper examines the origins, spread, and practices of professional forestry in Southeast Asia, focusing on key sites in colonial and post-colonial Indonesia, Malaysia and Thailand. Part 1 challenges popular and scholarly accounts of colonial forestry as a set of simplifying practices exported from Europe and applied in the European colonies. We show that professional forestry empires were constituted under colonialism through local politics that were specific to particular colonies and technically uncolonised regions. Local economic and ecological conditions constrained the forms and practices of colonial forestry. Professional forestry became strongly established in some colonies but not others. Part 2, in a forthcoming issue of this journal, will look at the influence on forestry of knowledge and management practices exchanged through professional-scientific networks. We find that while colonial forestry established some management patterns that were extended after the end of colonialism, it was post-colonial organisations such as the FAO that facilitated the construction of forestry as a kind of empire after World War Two. As a sector, forestry became the biggest landholder in the region only after colonialism had ended.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0020,006
Communication savante0,0030,002
Science ouverte0,0000,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,007
Tête enseignante GPT0,162
Écart entre enseignants0,155 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations135
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironment and HistoryMême sujetConservation, Biodiversity, and Resource ManagementTravaux en français237 207