MétaCan
Menu
Retour à la cohorte
Enregistrement W2766399297 · doi:10.3897/rio.3.e21704

Case Study: Indigenous Knowledge and Data Sharing

2017· article· en· W2766399297 sur OpenAlexfundno aff
Cameron Neylon

Notice bibliographique

RevueResearch Ideas and Outcomes · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCommunity Development and Social Impact
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research Centre
Mots-clésTraditional knowledgeIndigenousIntellectual propertySociologyPublic relationsPolitical scienceEnvironmental ethicsAgency (philosophy)Economic JusticeKnowledge sharingInjusticePoliticsLawKnowledge managementSocial scienceEcology

Résumé

récupéré en direct d'OpenAlex

The IDRC-funded project 'Empowering Indigenous Peoples and Knowledge Systems Related to Climate Change and Intellectual Property Rights' is part of the Open and Collaborative Science in Development Network (OCSDNet). The project “examiners processes of open and collaborative science related to indigenous peoples’ knowledge, climate change and intellectual property rights”. Natural Justice, the lead organisation has a strong ethical stance on the agency and control over knowledge being vested with the contributing project participants, communities of the Nama and Griqua peoples of the Western Cape of South Africa. The project focuses on questions of how climate change is affecting these communities, how do they produce and maintain knowledge relating to climate change, how that knowledge is characterised and shared (or not) with wider publics, and how legal frameworks promote or hinder the agenda of these indigenous communities and their choices to communicate and collaborate with wider publics. Indigenous Knowledge is an area where ethical issues of informed consent, historical injustice, non-compatible epistemologies and political, legal, and economic issues all collide in ways that challenge western and Anglo-American assumptions about data sharing. The group seeks to strongly model and internally critique their own ethical stance in the process of their research, through for instance, using community contracts and questioning institutional informed consent systems.

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)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
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 enseignants0,015
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0010,000
Science ouverte0,0010,003
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 Opus0,515
Tête enseignante GPT0,491
Écart entre enseignants0,024 · 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.

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

Citations2
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch Ideas and OutcomesMême sujetCommunity Development and Social ImpactTravaux en français237 207