MétaCan
Menu
Retour à la cohorte
Enregistrement W2067886697 · doi:10.1080/08941920.2014.948241

Dead Ducks and Dirty Oil: Media Representations and Environmental Solutions

2014· article· en· W2067886697 sur OpenAlexafffundabout
Paul D. Nelson, Naomi Krogman, Lindsay Johnston, Colleen Cassady St. Clair

Notice bibliographique

RevueSociety & Natural Resources · 2014
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueRisk Perception and Management
Établissements canadiensUniversity of Alberta
Organismes subventionnairesSyncrudeGovernment of Alberta
Mots-clésTailingsNewspaperGovernment (linguistics)Event (particle physics)Diversity (politics)Oil sandsTailings damEnvironmentalismEnvironmental degradationPolitical scienceEnvironmental resource managementEnvironmental protectionEnvironmental planningGeographyEcologyLawEnvironmental sciencePoliticsArchaeologyBiology

Résumé

récupéré en direct d'OpenAlex

In April 2008, more than 1,600 migrating ducks died after landing on a toxic tailings pond in the Oil Sands region of northeastern Alberta. The responsible company was found guilty and paid the largest environmental fine in Alberta's history. To assess the nature of this environmental focusing event, we identified 747 newspaper articles that covered this event, published between January 2008 and June 2011. Each article was coded based on date of publication, voices represented, and solutions proposed. The coverage was concentrated following the original and related events, creating a focusing event, and expressed mainly the voices of powerful actors in industry, government, and environmental groups. Most of the solutions proposed were short term and depicted a zero-sum trade-off between environmental and economic interests. We suggest that more sustained media attention with a greater diversity of voices and solutions could foster greater dialogue around environmental challenges like toxic tailings ponds.

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)0,003
score de la tête « metaresearch » (Gemma)0,008
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 enseignants0,025
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,003
Études des sciences et des technologies0,0030,003
Communication savante0,0070,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
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 Opus0,014
Tête enseignante GPT0,270
Écart entre enseignants0,256 · 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

Citations19
Publié2014
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueSociety & Natural ResourcesMême sujetRisk Perception and ManagementTravaux en français237 207