MétaCan
Menu
Retour à la cohorte
Enregistrement W2757433780

In from the cold: : How miners and shippers are looking to exploit new Arctic transport routes

2014· article· en· W2757433780 sur OpenAlexaboutno aff
Bruce McMichael

Notice bibliographique

RevueIndustrial Minerals · 2014
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueArctic and Russian Policy Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésArcticExploitSoftware deploymentThe arcticCircumpolar starGeographyOceanographyEngineeringAeronauticsBusinessEnvironmental scienceGeologyComputer scienceComputer security
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Companies including Denmark-based Greenland Rare Earth Projects and NunaMinerals AS, along with Australian developer Greenland Minerals and Energy Ltd and locally registered Tanbreez Mining AS ( see box ), are hoping to exploit the country's rare earths deposits. Meanwhile UK-headquartered Rare Earth Minerals Plc and Angel Mining Plc are eyeing up its rare earths and zinc resources, respectively, and Canada's Hudson Resources Inc. have an anorthosite project under development. Based in Montreal, it is the country's largest ocean going dry bulk shipping company and its Nunavik bulk carrier was the first vessel to transit Canada's Northwest Passage with an Arctic cargo of nickel concentrate. Its journey started this September and was successfully completed in mid-October, becoming the first vessel to navigate the route unescorted with an Arctic cargo. The use of UAVs is proving to be extremely beneficial to identify many ice features that should be avoided ahead of the vessel, as well as identifying open water leads to improve voyage efficiency, says Thomas Paterson, senior vice-president, ship owning, Arctic and projects, at Fednav. In addition, the deployment of drones fitted with cameras gives the ice navigator another useful aid when making important decisions while transiting heavy ice.

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)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,097
Score d'incertitude au seuil0,194

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0220,006
Communication savante0,0090,008
Science ouverte0,0010,005
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0150,005

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 Opus0,072
Tête enseignante GPT0,298
Écart entre enseignants0,226 · 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'étudeSans objet
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

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIndustrial MineralsMême sujetArctic and Russian Policy StudiesTravaux en français237 207