MétaCan
Menu
Retour à la cohorte
Enregistrement W2020202067 · doi:10.1080/01426390903407152

‘… Silver in the Stars and Gold in the Morning Sun’: Non-farm Rural Landowners' Motivations for Rural Living and Attachment to their Land

2010· article· en· W2020202067 sur OpenAlexaffabout
Lee-Anne S. Milburn, Robert D. Brown, Susan J. Mulley

Notice bibliographique

RevueLandscape Research · 2010
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueUrban Green Space and Health
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésRural areaGeographyLand tenureRural settlementFocus groupPopulationSocioeconomicsEconomic growthNatural resourceBusinessEnvironmental planningAgricultureMarketingPolitical scienceSociologyEconomics

Résumé

récupéré en direct d'OpenAlex

Studies have identified that, given the opportunity, the majority of North Americans would prefer to live in small towns and rural areas. This preference is based in aesthetic notions linked to landscape features, personal meaning, and perceptions. In order to understand how the growing non-farm rural landowner population will influence the rural landscape, this research explored the motivations of non-farm rural landowners for living in rural areas, and their perceptions of their property. It involved five preliminary focus groups with farm and non-farm landowners owning land in rural, urbanising rural, and urbanised rural areas, and four final focus groups. The research also included a survey of 944 landowners in Southern Ontario. People choose to live in rural areas because they are quiet, natural, open, private, and clean. In contrast, people chose to buy their properties for very practical reasons: location, cost, availability and quality of resources, and size. Results suggest that non-farm rural landowners prefer landscapes with trees and water, and landscape health, restorative benefits, and aesthetic quality are crucial. Associations with family, history, and activities provide the affective connection which supports ongoing efforts on their land.

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: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,076

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
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,002
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,034
Tête enseignante GPT0,335
Écart entre enseignants0,301 · 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'étudeQualitatif
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

Citations17
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueLandscape ResearchMême sujetUrban Green Space and HealthTravaux en français237 207