MétaCan
Menu
Retour à la cohorte
Enregistrement W2507461084 · doi:10.1093/forestry/cpw034

Aboriginal people and forestry companies in Canada: possibilities and pitfalls of an informal ‘social licence’ in a contested environment: Table 1

2016· article· en· W2507461084 sur OpenAlexaboutno aff
Stephen Wyatt

Notice bibliographique

RevueForestry An International Journal of Forest Research · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueMining and Resource Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNegotiationFraming (construction)Table (database)Public relationsBusinessPolitical scienceLeverage (statistics)Community forestryForestryForest managementEngineeringGeographyComputer scienceLaw

Résumé

récupéré en direct d'OpenAlex

Industrial forestry in Canada commonly occurs on the traditional territory of Aboriginal people, and forestry companies often take actions to gain acceptance and approval of communities. Over the last two decades, the concept of ‘social licence to operate’ (SLO) has been increasingly used as a way of framing these actions in relation to regulatory licences and approval processes. Although Aboriginal views of forestry have been extensively researched, few attempts have been made to link this research to the developing concept of SLO. This article seeks to address this gap, using existing models to identify five groups of path elements that contribute to obtaining and maintaining SLO: socio-economic infrastructure, biophysical infrastructure, engagement processes, relationship building and recognition of rights. Previous research on five common forms of collaborative arrangement – impact benefit agreements, co-management, consultation processes, tenures and economic partnerships – is then reviewed to consider how these contribute to obtaining and maintain SLO. Canadian experiences demonstrate the potential benefits of direct negotiations and the advantages of combining arrangements, but also highlight the difficulty of addressing Aboriginal rights within an SLO framework.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,171
Score d'incertitude au seuil0,937

Scores Codex et Gemma par catégorie

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

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 Opus0,016
Tête enseignante GPT0,278
Écart entre enseignants0,262 · 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 tête enseignante, 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

Citations19
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueForestry An International Journal of Forest ResearchMême sujetMining and Resource ManagementTravaux en français237 207